MapReduce的框架原理与API案例

最新推荐文章于 2023-08-16 10:10:24 发布

MarcyTheLibrarian

最新推荐文章于 2023-08-16 10:10:24 发布

阅读量409

点赞数

分类专栏： hadoop 文章标签： hadoop 大数据

本文链接：https://blog.csdn.net/twi_twi/article/details/127502077

版权

hadoop 专栏收录该内容

10 篇文章 1 订阅

订阅专栏

第 1 章 MapReduce 概述

1.1 特点

定义

分布式运算程序的编程框架

优点

易于编程、良好的扩展性、高容错性、适合 PB 级以上海量数据的离线处理

缺点

不擅长实时计算、不擅长流式计算、不擅长 DAG（有向无环图）计算

1.2 核心思想

MapReduce运算程序一般需要分成2个阶段：Map阶段和Reduce阶段
- Map阶段的并发MapTask，完全并行运行，互不相干
- Reduce阶段的并发ReduceTask，完全互不相干，但是他们的数据依赖于上一个阶段的所有MapTask并发实例的输出
MapReduce编程模型只能包含一个Map阶段和一个Reduce阶段
如果用户的业务逻辑非常复杂，那就只能多个MapReduce程序，串行运行

1.3 进程

一个完整的 MapReduce 程序在分布式运行时有三类实例进程：

MrAppMaster：负责整个程序的过程调度及状态协调。
MapTask：负责 Map 阶段的整个数据处理流程。
ReduceTask：负责 Reduce 阶段的整个数据处理流程。

1.4 常用数据序列化类型

Java 类型	Hadoop Writable 类型
Boolean	BooleanWritable
Byte	ByteWritable
Int	IntWritable
Float	FloatWritable
Long	LongWritable
Double	DoubleWritable
String	Text
Map	MapWritable
Array	ArrayWritable
Null	NullWritable

1.5 MapReduce 编程规范

1.5.1 Mapper阶段

自定义的Mapper要继承Mapper类
Mapper的输入数据：是KV对的形式（KV的类型可自定义）
Mapper中的业务逻辑：写在map()方法中

MapTask进程对每一个<K,V>调用一次map()方法
Mapper的输出数据是：KV对的形式（KV的类型可自定义）

1.5.2 Reducer阶段

自定义的Reducer要继承Reducer类
Reducer的输入数据：类型对应Mapper的输出数据类型，也是KV
Reducer的业务逻辑：写在reduce()方法中

ReduceTask进程对每一组相同k的<k,v>组调用一次reduce()方法

1.5.3 Driver阶段

相当于YARN集群的客户端：提交整个程序到YARN集群
提交：封装了MapReduce程序相关运行参数的job对象

2 WordCount 案例实操

2.1 环境准备

2.1.1 创建 maven 工程

在 pom.xml 文件中添加如下依赖

<dependencies> 
    <dependency> 
        <groupId>org.apache.hadoop</groupId> 
        <artifactId>hadoop-client</artifactId> 
        <version>3.1.3</version> 
    </dependency> 
    <dependency> 
        <groupId>junit</groupId> 
        <artifactId>junit</artifactId> 
        <version>4.12</version> 
    </dependency> 
    <dependency> 
        <groupId>org.slf4j</groupId> 
        <artifactId>slf4j-log4j12</artifactId> 
        <version>1.7.30</version> 
    </dependency> 
</dependencies>

2.1.2 log4j.properties

在项目的 src/main/resources 目录下，新建一个文件，命名为“log4j.properties”，在文件中填入。

log4j.rootLogger=INFO, stdout   
log4j.appender.stdout=org.apache.log4j.ConsoleAppender   
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout   
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n   
log4j.appender.logfile=org.apache.log4j.FileAppender   
log4j.appender.logfile.File=target/spring.log   
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout   
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

2.2 编写程序

2.2.0 输入数据

hadoop spark
jinx flink
hadoop jinx
flink flink
spark

2.2.1 编写 Mapper 类

package com.azula.mapreduce.wordcount;

//2.x 导入org.apache.hadoop:hadoop-mapreduce-client-core:3.1.3
//public class Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT>
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

// KEYIN, 输入的key类型:LongWritable
// VALUEIN, 输入的value类型:Text
// KEYOUT, 输出的key类型:Text
// VALUEOUT，输出的value类型:IntWritable
public class WordCountMapper extends Mapper<LongWritable, Text,Text, IntWritable> {
    //输出的key
    private Text outK = new Text();
    //输出的Value:暂时全设为1
    private IntWritable outV=new IntWritable(1);

    @Override
    protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, IntWritable>.Context context)
            throws IOException, InterruptedException {
        //1.获取一行
        String line = value.toString();

        //2.切割: 将行中的每个单词分割到字符串数组中
        String[] words = line.split(" ");

        //3.循环写出：遍历字符串数组
        for (String word : words) {
            //封装
            outK.set(word);
            //向context中写：(outK,outV)=([word],[1])
            context.write(outK,outV);
        }
    }
}

2.2.2 编写 Reducer 类

package com.azula.mapreduce.wordcount;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

//public class Reducer<KEYIN, VALUEIN, KEYOUT, VALUEOUT>
// KEYIN, 输入的key类型:Text
// VALUEIN, 输入的value类型:IntWritable
// KEYOUT, 输出的key类型:Text
// VALUEOUT，输出的value类型:IntWritable
public class WordCountReducer extends Reducer<Text, IntWritable,Text, IntWritable> {
    
    int sum;
    IntWritable v = new IntWritable();

    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {

        // 1. 累加求和
        sum = 0;
        
        // 2. 由于ReduceTask进程对每一组相同k的<k,v>组调用一次reduce()方法
        // 所以这里相当于,对key==【key_i】的每个数据做如下操作：
        // => 取该数据的values
        // => 从values中get() value值
        // => 加到sum中
        for (IntWritable count : values) {
            sum += count.get();
        }

        // 3. 输出
        // 封装
        v.set(sum);
        //向context中写：(outK,outV)=([word],[sum])
        context.write(key,v);

    }
}

2.2.3 编写 Driver 驱动类

package com.azula.mapreduce.wordcount; 
import java.io.IOException; 
import org.apache.hadoop.conf.Configuration; 
import org.apache.hadoop.fs.Path; 
import org.apache.hadoop.io.IntWritable; 
import org.apache.hadoop.io.Text; 
import org.apache.hadoop.mapreduce.Job; 
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 
 
public class WordCountDriver { 
 
 public static void main(String[] args) throws IOException, 
ClassNotFoundException, InterruptedException { 
 
     // 1 获取配置信息以及获取 job 对象 
     Configuration conf = new Configuration(); 
     Job job = Job.getInstance(conf); 

     // 2 关联本 Driver 程序的 jar 
     job.setJarByClass(WordCountDriver.class); 

     // 3 关联 Mapper 和 Reducer 的 jar 
     job.setMapperClass(WordCountMapper.class); 
     job.setReducerClass(WordCountReducer.class); 

     // 4 设置 Mapper 输出的 kv 类型 
     job.setMapOutputKeyClass(Text.class); 
     job.setMapOutputValueClass(IntWritable.class); 

     // 5 设置最终输出 kv 类型 
     job.setOutputKeyClass(Text.class); 
     job.setOutputValueClass(IntWritable.class); 

     // 6 设置输入和输出路径 
     FileInputFormat.setInputPaths(job, new Path(args[0])); 
     FileOutputFormat.setOutputPath(job, new Path(args[1])); 

     // 7 提交 job 
     boolean result = job.waitForCompletion(true); 
     System.exit(result ? 0 : 1); 
 } 
}

2.2.4 本地测试

（1）需要首先配置好 HADOOP_HOME 变量以及 Windows 运行依赖
（2）在 IDEA 上运行程序

2.3 提交到集群测试

2.3.1 用 maven 打 jar 包，需要添加的打包插件依赖

<build> 
    <plugins> 
        <plugin> 
            <artifactId>maven-compiler-plugin</artifactId> 
            <configuration> 
                <source>1.8</source> 
                <target>1.8</target> 
            </configuration> 
        </plugin> 
        <plugin> 
            <artifactId>maven-assembly-plugin</artifactId> 
            <configuration> 
                <descriptorRefs> 
                    <descriptorRef>jar-with-dependencies</descriptorRef> 
                </descriptorRefs> 
            </configuration> 
            <executions> 
                <execution> 
                    <id>make-assembly</id> 
                    <phase>package</phase> 
                    <goals> 
                        <goal>single</goal> 
                    </goals> 
                </execution> 
            </executions> 
        </plugin> 
    </plugins> 
</build>

2.3.2 将程序打成 jar 包

点击 package，可见 BUILD SUCCESS 后，即可在 target 下找到 jar 包

修改不带依赖的 jar 包名称为 wc.jar，并拷贝该 jar 包到 Hadoop 集群的/opt/module/hadoop-3.1.3 路径。

2.3.3 启动 Hadoop 集群

[azula@hadoop102 hadoop-3.1.3]$ sbin/start-dfs.sh 
[azula@hadoop103 hadoop-3.1.3]$ sbin/start-yarn.sh

2.3.4 执行 WordCount 程序

[azula@hadoop102 hadoop-3.1.3]$ hadoop jar wc.jar com.azula.mapreduce.wordcount.WordCountDriver /user/azula/input /user/azula/output

第 3 章 Hadoop 序列化

3.1 序列化概述

序列化就是把内存中的对象，转换成字节序列（或其他数据传输协议）以便于存储到磁
盘（持久化）和网络传输。

反序列化就是将收到字节序列（或其他数据传输协议）或者是磁盘的持久化数据，转换
成内存中的对象。

Hadoop 序列化特点

紧凑：高效使用存储空间。
快速：读写数据的额外开销小。
互操作：支持多语言的交互

3.2 自定义 bean 对象实现序列化接口（Writable）

必须实现 Writable 接口
反序列化时，需要反射调用空参构造函数，所以必须有空参构造
```
public FlowBean() { 
 	super(); 
} 
```

重写序列化方法

@Override 
public void write(DataOutput out) throws IOException { 
	out.writeLong(upFlow); 
    out.writeLong(downFlow); 
    out.writeLong(sumFlow); 
}

重写反序列化方法

注意反序列化的顺序和序列化的顺序完全一致

@Override 
public void readFields(DataInput in) throws IOException {
     upFlow = in.readLong(); 
     downFlow = in.readLong(); 
     sumFlow = in.readLong(); 
}

要想把结果显示在文件中，需要重写 toString()，可用"\t"分开，方便后续用。

如果需要将自定义的 bean 放在 key 中传输，则还需要实现 Comparable 接口
因为 MapReduce 框中的 Shuffle 过程要求对 key 必须能排序。

@Override 
public int compareTo(FlowBean o) { 
     // 倒序排列，从大到小 
     return this.sumFlow > o.getSumFlow() ? -1 : 1; 
}

3.3 序列化案例实操

3.3.0 数据格式

输入数据格式：

7	13560436666	120.196.100.99	1116	 954	   200 
id	手机号码 	网络 ip	      上行流量	下行流量	网络状态码

期望输出数据格式

13560436666 1116 954 2070 
手机号码 上行流量 下行流量 总流量

3.3.1 编写继承了 WritableComparable 的 Bean 对象

package com.azula.mapreduce.writableComparable;

import org.apache.hadoop.io.Writable;
import org.apache.hadoop.io.WritableComparable;

import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;

/**
 * 1.定义类实现writable接口
 * 2.重写序列化和反序列化方法
 * 3.重写空参构造
 * 4.toString方法
 */
public class FlowBean implements WritableComparable<FlowBean> {

    private long upFlow;//上行流量
    private long downFlow;//下行流量
    private long sumFlow;//总流量

    // 反序列化时，需要反射调用空参构造函数，所以必须有空参构造 
    public FlowBean(){

    }

    public long getUpFlow() {
        return upFlow;
    }

    public void setUpFlow(long upFlow) {
        this.upFlow = upFlow;
    }

    public long getDownFlow() {
        return downFlow;
    }

    public void setDownFlow(long downFlow) {
        this.downFlow = downFlow;
    }

    public long getSumFlow() {
        return sumFlow;
    }

    public void setSumFlow(long sumFlow) {
        this.sumFlow = sumFlow;
    }

    public void setSumFlow() {
        this.sumFlow = this.downFlow+this.upFlow;
    }

    // 序列化Override
    @Override
    public void write(DataOutput dataOutput) throws IOException {
        dataOutput.writeLong(upFlow);
        dataOutput.writeLong(downFlow);
        dataOutput.writeLong(sumFlow);
    }

    // 反序列化Override，顺序需和write中相同
    @Override
    public void readFields(DataInput dataInput) throws IOException {
        this.upFlow = dataInput.readLong();
        this.downFlow=dataInput.readLong();
        this.sumFlow=dataInput.readLong();
    }

    // 要想把结果显示在文件中，需要重写 toString()，可用"\t"分开，方便后续用。 
    @Override
    public String toString() {
        return upFlow+"\t"+downFlow+"\t"+sumFlow;
    }

    // 如果需要将自定义的 bean 放在 key 中传输，则还需要实现 Comparable 接口
    // 因为 MapReduce 框中的 Shuffle 过程要求对 key 必须能排序。
    @Override
    public int compareTo(FlowBean o) {
        //按照总流量比较,倒序排列
        if(this.sumFlow > o.sumFlow){
            return -1;
        }else if(this.sumFlow < o.sumFlow){
            return 1;
        }else {
            return 0;
        }
    }
}

3.3.2 编写 Mapper 类

package com.azula.mapreduce.writableComparable;

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

public class FlowMapper extends Mapper<LongWritable, Text, FlowBean,Text> {
    private FlowBean outK=new FlowBean();
    private Text outV=new Text();

    @Override
    protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, FlowBean, Text>.Context context) throws IOException, InterruptedException {

        String line = value.toString();

        // 按\t切分数据到字符串数组中
        String[] split = line.split("\t");
        
        // 数据格式
        // id	手机号码 	网络 ip	      上行流量	下行流量	网络状态码 
        // 7   13560436666	120.196.100.99	1116	 954	   200 
        String phone = split[1]; 
        String up = split[split.length - 3]; 
        String down = split[split.length - 2]; 
        
        // 设置key为手机号码
        outK.set(phone); 
        // 设置value为
        // 数据中的：上行流量	下行流量	''(需要在Reducer中计算获得)
        outV.setUpFlow(Long.parseLong(up)); 
        outV.setDownFlow(Long.parseLong(down)); 
        outV.setSumFlow(); 

        //向context写入 outK outV 
        context.write(outK,outV);
    }
}

3.3.3 编写 Reducer 类

package com.azula.mapreduce.writableComparable;

import org.apache.hadoop.io.Text; 
import org.apache.hadoop.mapreduce.Reducer; 
import java.io.IOException; 
 
public class FlowReducer extends Reducer<Text, FlowBean, Text, FlowBean> 
{ 
    private FlowBean outV = new FlowBean(); 
    
    @Override 
 protected void reduce(Text key, Iterable<FlowBean> values, Context 
context) throws IOException, InterruptedException { 
 
        long totalUp = 0; 
        long totalDown = 0; 
 
 		//1 遍历 values,将其中的上行流量,下行流量分别累加 
        for (FlowBean flowBean : values) { 
            totalUp += flowBean.getUpFlow(); 
            totalDown += flowBean.getDownFlow(); 
        } 
 
 		//2 封装 outKV 
        outV.setUpFlow(totalUp); 
        outV.setDownFlow(totalDown); 
        outV.setSumFlow(totalUp+totalDown); 
 
	   //3 写出 outK outV 
        context.write(key,outV); 
    } 
}

3.3.4 编写 Driver 驱动类

package com.azula.mapreduce.writableComparable;
 
import org.apache.hadoop.conf.Configuration; 
import org.apache.hadoop.fs.Path; 
import org.apache.hadoop.io.Text; 
import org.apache.hadoop.mapreduce.Job; 
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 
import java.io.IOException; 
 
public class FlowDriver { 
 public static void main(String[] args) throws IOException, 
ClassNotFoundException, InterruptedException { 
 
	 //1 获取 job 对象 
        Configuration conf = new Configuration(); 
        Job job = Job.getInstance(conf); 
 
        //2 关联本 Driver 类 
        job.setJarByClass(FlowDriver.class); 
 
		 //3 关联 Mapper 和 Reducer 
        job.setMapperClass(FlowMapper.class); 
        job.setReducerClass(FlowReducer.class); 
         
		//4 设置 Map 端输出 KV 类型 
        job.setMapOutputKeyClass(Text.class); 
        job.setMapOutputValueClass(FlowBean.class); 
         
		//5 设置程序最终输出的 KV 类型 
        job.setOutputKeyClass(Text.class); 
        job.setOutputValueClass(FlowBean.class); 
         
		//6 设置程序的输入输出路径 
        FileInputFormat.setInputPaths(job, new Path("D:\\inputflow")); 
        FileOutputFormat.setOutputPath(job, new Path("D:\\flowoutput")); 
         
		//7 提交 Job 
        boolean b = job.waitForCompletion(true); 
        System.exit(b ? 0 : 1); 
    } 
}

第 4 章 MapReduce 框架原理

4.1 InputFormat 数据输入

4.1 .1 MapTask 并行度决定机制

几个基本概念

MapTask 的并行度决定 Map 阶段的任务处理并发度，进而影响到整个 Job 的处理速度。
数据块：Block 是 HDFS 物理上把数据分成一块一块。
是 HDFS 存储数据单位。
数据切片：只是在逻辑上对输入进行分片，并不会在磁盘上将其切分成片进行存储。
是 MapReduce 程序计算输入数据的单位，一个切片会对应启动一个MapTask。

数据切片与MapTask并行度决定机制

一个Job的Map阶段并行度由客户端在提交Job时的切片数决定
- 提交Job时的切片数 >=决定=> Map阶段并行度
- 默认情况下，切片大小=BlockSize
每一个Split切片分配一个MapTask并行实例处理
切片时不考虑数据集整体，而是逐个针对每一个文件单独切片

4.1 .2 Job 提交流程源码和切片源码详解

waitForCompletion() 
 
submit(); 
 
// 1 建立连接 
connect(); 
// 1) 创建提交 Job 的代理 
new Cluster(getConfiguration()); 
// (1) 判断是本地运行环境还是 yarn 集群运行环境 
initialize(jobTrackAddr, conf); 

// 2 提交 job 
submitter.submitJobInternal(Job.this, cluster) 
// 1) 创建给集群提交数据的 Stag 路径 
    // => File://..../.staging
	// => hdfs://..../.staging
Path jobStagingArea = JobSubmissionFiles.getStagingDir(cluster, conf); 
// 2) 获取 jobid ，并创建 Job 路径 
    // => file://..../.staging/jobid
    // => hdfs://..../.staging/jobid
JobID jobId = submitClient.getNewJobID(); 
// 3) 拷贝 jar 包到集群 
copyAndConfigureFiles(job, submitJobDir); 
rUploader.uploadFiles(job, jobSubmitDir); 
// 4) 计算切片，生成切片规划文件 
writeSplits(job, submitJobDir); 
maps = writeNewSplits(job, jobSubmitDir); 
// => 调用FileInputFormat.getSplits()获取切片规划，并序列化成文件Job.split
// => 请看4.1.3解析
input.getSplits(job); 
// 5) 向 Stag 路径写 XML 配置文件 
    // => 将Job相关参数写到文件Job.xml 
writeConf(conf, submitJobFile); 
conf.writeXml(out); 
// 6) 提交 Job,返回提交状态
status = submitClient.submitJob(jobId, submitJobDir.toString(), 
                                job.getCredentials());

4.1 .3 FileInputFormat 切片源码解析（input.getSplits(job)）

程序先找到你数据存储的目录。
开始遍历处理（规划切片）目录下的每一个文件
遍历第一个文件ss.txt
1. 整个切片的核心过程在getSplit()方法中完成
2. 获取文件大小fs.sizeOf(ss.txt)
3. 计算切片大小
  computeSplitSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M
  
  默认情况下，切片大小=blocksize
4. 开始切，
  形成第1个切片：ss.txt—0:128M
  第2个切片ss.txt—128:256M
  第3个切片ss.txt—256M:300M
  
  每次切片时，
  都要判断切完剩下的部分是否大于块的1.1倍
  不大于1.1倍就划分一块切片
5. 将切片信息写到一个切片规划文件中
6. InputSplit只记录了切片的元数据信息，比如起始位置、长度以及所在的节点列表等。
提交切片规划文件到YARN上，YARN上的MrAppMaster就可以根据切片规划文件计算开启MapTask个数。

4.1.4 FileInputFormat 切片机制

切片机制
（1）简单地按照文件的内容长度进行切片
（2）切片大小，默认等于Block大小
（3）切片时不考虑数据集整体，而是逐个针对每一个文件单独切片

FileInputFormat切片大小的参数配置

（1）源码中计算切片大小的公式

// 默认情况下，切片大小=blocksize。
Math.max(minSize, Math.min(maxSize, blockSize));
mapreduce.input.fileinputformat.split.minsize=1 
mapreduce.input.fileinputformat.split.maxsize= Long.MAXValue

（2）切片大小设置

切片最大值maxsize：参数如果调得比blockSize小，则会让切片变小，而且就等于配置的这个参数的值。
切片最小值minsize：参数调的比blockSize大，则可以让切片变得比blockSize还大。

（3）获取切片信息API

// 获取切片的文件名称
String name = inputSplit.getPath().getName();
// 根据文件类型获取切片信息
FileSplit inputSplit = (FileSplit) context.getInputSplit();

4.1.5 TextInputFormat

FileInputFormat 常见的接口实现类包括：TextInputFormat、KeyValueTextInputFormat、NLineInputFormat、CombineTextInputFormat 和自定义 InputFormat 等。

TextInputFormat

TextInputFormat 是默认的 FileInputFormat 实现类。
按行读取每条记录。
键是存储该行在整个文件中的起始字节偏移量， LongWritable 类型。
值是这行的内容，不包括任何行终止符（换行符和回车符），Text 类型。

示例：一个分片包含了如下 4 条文本记录。 
Rich learning form 
Intelligent learning engine 
Learning more convenient 
From the real demand for more close to the enterprise 

每条记录表示为以下键/值对： 
(0,Rich learning form) 
(20,Intelligent learning engine) 
(49,Learning more convenient) 
(74,From the real demand for more close to the enterprise)

4.1.6 CombineTextInputFormat 切片机制

默认的 TextInputFormat 切片机制

是对任务按文件规划切片
不管文件多小，都会是一个单独的切片，都会交给一个 MapTask
这样如果有大量小文件，就会产生大量的MapTask，处理效率极其低下。

CombineTextInputFormat 切片机制

应用场景
用于小文件过多的场景，它可以将多个小文件从逻辑上规划到一个切片中，这样，多个小文件就可以交给一个 MapTask 处理。
虚拟存储切片最大值设置
CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);// 4m
注意：虚拟存储切片最大值设置最好根据实际的小文件大小情况来设置具体的值。
切片机制
生成切片过程包括：虚拟存储过程和切片过程二部分。

虚拟存储过程

将输入目录下所有文件大小，依次和设置的 setMaxInputSplitSize 值比较，如果不
大于设置的最大值，逻辑上划分一个块。
如果输入文件大于设置的最大值且大于两倍，那么以最大值切割一块；
当剩余数据大小超过设置的最大值且不大于最大值 2 倍，则将文件均分成 2 个虚拟存储块。

切片过程：
- 判断虚拟存储的文件大小是否大于 setMaxInputSplitSize 值，大于等于则单独形成一个切片。
- 如果不大于则跟下一个虚拟存储文件进行合并，共同形成一个切片。
例如
setMaxInputSplitSize 值为 4M，输入文件大小为 8.02M，则先逻辑上分成一个4M。
剩余的大小为 4.02M，如果按照 4M 逻辑划分，就会出现 0.02M 的小的虚拟存储文件，所以将剩余的 4.02M 文件切分成（2.01M 和 2.01M）两个文件。

案例实操

需求：将输入的大量小文件合并成一个切片统一处理。
输入数据：准备 4 个小文件
期望：期望一个切片处理 4 个文件

实现过程

在 WordcountDriver 中增加如下代码，运行程序，并观察运行的切片个数为 3。

(a) 驱动类中添加代码如下：

// 如果不设置 InputFormat，它默认用的是 TextInputFormat.class 
job.setInputFormatClass(CombineTextInputFormat.class); 

//虚拟存储切片最大值设置 4m 
CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);

(b) 运行如果为 3 个切片。
number of splits:3

(a）驱动中添加代码如下：

// 如果不设置 InputFormat，它默认用的是 TextInputFormat.class 
job.setInputFormatClass(CombineTextInputFormat.class); 

//虚拟存储切片最大值设置 20m 
CombineTextInputFormat.setMaxInputSplitSize(job, 20971520);

（b）运行如果为 1 个切片
number of splits:1

4.2 MapReduce 工作流程

MapReduce详细工作流程（一）

（1）MapTask 收集我们的 map()方法输出的 kv 对，放到内存缓冲区中
（2）从内存缓冲区不断溢出本地磁盘文件，可能会溢出多个文件
（3）多个溢出文件会被合并成大的溢出文件
（4）在溢出过程及合并的过程中，都要调用 Partitioner 进行分区和针对 key 进行排序
（5）ReduceTask 根据自己的分区号，去各个 MapTask 机器上取相应的结果分区数据
（6）ReduceTask 会抓取到同一个分区的来自不同 MapTask 的结果文件，ReduceTask 会将这些文件再进行合并（归并排序）
（7）合并成大文件后，Shuffle 的过程也就结束了，后面进入 ReduceTask 的逻辑运算过程（从文件中取出一个一个的键值对 Group，调用用户自定义的 reduce()方法）

注意：
（1）Shuffle 中的缓冲区大小会影响到 MapReduce 程序的执行效率，原则上说，缓冲区越大，磁盘 io 的次数越少，执行速度就越快。
（2）缓冲区的大小可以通过参数调整，参数：mapreduce.task.io.sort.mb 默认 100M。

4.3 Shuffle 机制

4.3.1 Shuffle 机制

Map 方法之后，Reduce 方法之前的数据处理过程称之为 Shuffle。

4.3.2 Partition 分区

问题引出

要求将统计结果按照条件输出到不同文件中（分区）
比如：将统计结果按照手机归属地不同省份输出到不同文件中（分区）

默认Partitioner分区

public class HashPartitioner<K, V> extends Partitioner<K, V> {
    public int getPartition(K key, V value, int numReduceTasks) {
    	return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;
    }
}

默认分区是根据key的hashCode对ReduceTasks个数取模得到的。
用户没法控制哪个key存储到哪个分区。

自定义Partitioner步骤

（1）自定义类继承Partitioner，重写getPartition()方法
```
public class CustomPartitioner extends Partitioner<Text, FlowBean> {
    @Override
    public int getPartition(Text key, FlowBean value, int numPartitions) {
        // 控制分区代码逻辑
        … …
        return partition;
    }
}
```
（2）在Job驱动中，设置自定义Partitioner
job.setPartitionerClass(CustomPartitioner.class);
（3）自定义Partition后，要根据自定义Partitioner的逻辑设置相应数量的ReduceTask
job.setNumReduceTasks(5);
分区总结

（1）如果ReduceTask的数量 > getPartition的结果数
=> 则会多产生几个空的输出文件part-r-000xx；
（2）如果1<ReduceTask的数量<getPartition的结果数
=> 则有一部分分区数据无处安放，会Exception；
（3）如果ReduceTask的数量=1
=> 则不管MapTask端输出多少个分区文件，最终结果都交给这一个ReduceTask，最终也就只会产生一个结果文件part-r-00000；
（4）分区号必须从零开始，逐一累加。
案例分析

例如：假设自定义分区数为5，则
（1）job.setNumReduceTasks(1); 会正常运行，只不过会产生一个输出文件
（2）job.setNumReduceTasks(2);会报错
（3）job.setNumReduceTasks(6);大于5，程序会正常运行，会产生空文件

4.3.3 Partition 分区案例实操

Partition分区案例分析

1、需求：将统计结果按照手机归属地不同省份输出到不同文件中（分区）

2、数据输入

13736230513 2481 24681

13956435636 132 1512

13846544121 264 0

13630577991 6960 690

13560439638 918 4938

3、期望数据输出

文件1
文件2
文件3
文件4
文件5

4、增加一个ProvincePartitioner分区
136 分区0
137 分区1
138 分区2
139 分区3
其他分区4

5、Driver驱动类

// 指定自定义数据分区
job.setPartitionerClass(ProvincePartitioner.class);
// 同时指定相应数量的reduceTask
job.setNumReduceTasks(5);

增加一个分区类

package com.azula.mapreduce.partitioner; 
import org.apache.hadoop.io.Text; 
import org.apache.hadoop.mapreduce.Partitioner; 
 
public class ProvincePartitioner extends Partitioner<Text, FlowBean> { 
 
    @Override 
    public int getPartition(Text text, FlowBean flowBean, int numPartitions) 
{ 
 //获取手机号前三位 prePhone 
        String phone = text.toString(); 
        String prePhone = phone.substring(0, 3); 
 
 //定义一个分区号变量 partition,根据 prePhone 设置分区号 
        int partition; 
 
        if("136".equals(prePhone)){ 
            partition = 0; 
        }else if("137".equals(prePhone)){ 
            partition = 1; 
        }else if("138".equals(prePhone)){ 
            partition = 2; 
        }else if("139".equals(prePhone)){ 
            partition = 3; 
        }else { 
            partition = 4; 
        } 
 
 //最后返回分区号 partition 
        return partition; 
    } 
}

在驱动函数中增加自定义数据分区设置和 ReduceTask 设置

package com.azula.mapreduce.partitioner; 

import org.apache.hadoop.conf.Configuration; 
import org.apache.hadoop.fs.Path; 
import org.apache.hadoop.io.Text; 
import org.apache.hadoop.mapreduce.Job; 
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 
import java.io.IOException; 
 
public class FlowDriver { 
 
 public static void main(String[] args) throws IOException, 
ClassNotFoundException, InterruptedException { 
 
  		//1 获取 job 对象 
        Configuration conf = new Configuration(); 
        Job job = Job.getInstance(conf); 
 
  		//2 关联本 Driver 类 
        job.setJarByClass(FlowDriver.class); 
 
 		 //3 关联 Mapper 和 Reducer 
        job.setMapperClass(FlowMapper.class); 
        job.setReducerClass(FlowReducer.class); 
 
 		 //4 设置 Map 端输出数据的 KV 类型 
        job.setMapOutputKeyClass(Text.class); 
        job.setMapOutputValueClass(FlowBean.class); 
 
  		//5 设置程序最终输出的 KV 类型 
        job.setOutputKeyClass(Text.class); 
        job.setOutputValueClass(FlowBean.class); 
 
    // 新增的代码
    //------------------------------------------------------------------
        //8 指定自定义分区器 
        job.setPartitionerClass(ProvincePartitioner.class); 
 
 		//9 同时指定相应数量的 ReduceTask 
        job.setNumReduceTasks(5); 
     //------------------------------------------------------------------
 
        //6 设置输入输出路径 
        FileInputFormat.setInputPaths(job, new Path("D:\\inputflow")); 
        FileOutputFormat.setOutputPath(job, new Path("D\\partitionout")); 
 
 		//7 提交 Job 
        boolean b = job.waitForCompletion(true); 
        System.exit(b ? 0 : 1); 
    } 
}

4.3.4 WritableComparable 排序

MapTask 和 ReduceTask 均会对数据按照 key 进行排序。该操作属于Hadoop的默认行为。

默认排序是按照字典顺序排序，且实现该排序的方法是快速排序。

MapTask中的排序

会将处理的结果暂时放到环形缓冲区中

当环形缓冲区使用率达到一定阈值后，再对缓冲区中的数据进行一次快速排序，并将这些有序数据溢写到磁盘上

而当数据处理完毕后，它会对磁盘上所有文件进行归并排序。
ReduceTask中的排序

会从每个MapTask上远程拷贝相应的数据文件

如果文件大小超过一定阈值，则溢写磁盘上，否则存储在内存中。

如果磁盘上文件数目达到一定阈值，则进行一次归并排序以生成一个更大文件；

如果内存中文件大小或者数目超过一定阈值，则进行一次合并后将数据溢写到磁盘上。

当所有数据拷贝完毕后，ReduceTask统一对内存和磁盘上的所有数据进行一次归并排序。

排序分类

部分排序

MapReduce根据输入记录的键对数据集排序。保证输出的每个文件内部有序。
全排序

最终输出结果只有一个文件，且文件内部有序。

实现方式是只设置一个ReduceTask。

但该方法在处理大型文件时效率极低，因为一台机器处理所有文件，完全丧失了MapReduce所提供的并行架构。
辅助排序：（GroupingComparator分组）

在Reduce端对key进行分组。

应用于：在接收的 key 为 bean 对象时，想让一个或几个字段相同（全部字段比较不相同）的 key 进入到同一个 reduce 方法时，可以采用分组排序。
二次排序

在自定义排序过程中，如果compareTo中的判断条件为两个即为二次排序。

**自定义排序 WritableComparable 原理分析 **

bean 对象做为 key 传输，需要实现 WritableComparable 接口重写 compareTo 方法，就可以实现排序。

@Override 
public int compareTo(FlowBean bean) { 
 
    int result; 

    // 按照总流量大小，倒序排列 
    if (this.sumFlow > bean.getSumFlow()) { 
        result = -1; 
    }else if (this.sumFlow < bean.getSumFlow()) { 
        result = 1; 
    }else { 
        result = 0; 
    } 

    return result; 
}

4.3.5 WritableComparable 排序案例实操（全排序）

根据序列化案例产生的结果再次对总流量进行倒序排序。

...						总流量
13509468723 7335 110349 117684 
13736230513 2481 24681 27162 
13956435636 132 1512 1644 
13846544121 264 0 264

FlowBean实现WritableComparable接口重写compareTo方法

@Override 
public int compareTo(FlowBean o) { 

    //按照总流量比较,倒序排列 
    if(this.sumFlow > o.sumFlow){ 
        return -1; 
    }else if(this.sumFlow < o.sumFlow){ 
        return 1; 
    }else { 
        return 0; 
    } 
}

Mapper 类

import org.apache.hadoop.io.LongWritable; 
import org.apache.hadoop.io.Text; 
import org.apache.hadoop.mapreduce.Mapper; 
import java.io.IOException; 
 
public class FlowMapper extends Mapper<LongWritable, Text, FlowBean, Text> 
{ 
    private FlowBean outK = new FlowBean(); 
    private Text outV = new Text(); 
 
    @Override 
 protected void map(LongWritable key, Text value, Context context) 
throws IOException, InterruptedException { 
 
        //1 获取一行数据 
        String line = value.toString(); 
 
        //2 按照"\t",切割数据 
        String[] split = line.split("\t"); 
 
         //3 封装 outK outV 
        outK.setUpFlow(Long.parseLong(split[1])); 
        outK.setDownFlow(Long.parseLong(split[2])); 
        outK.setSumFlow(); 
        outV.set(split[0]); 
 
         //4 写出 outK outV 
        context.write(outK,outV); 
    } 
}

Reducer类

import org.apache.hadoop.io.Text; 
import org.apache.hadoop.mapreduce.Reducer; 
import java.io.IOException; 
 
public class FlowReducer extends Reducer<FlowBean, Text, Text, FlowBean> 
{ 
    @Override 
 protected void reduce(FlowBean key, Iterable<Text> values, Context 
context) throws IOException, InterruptedException { 
 
 //遍历 values 集合,循环写出,避免总流量相同的情况 
        for (Text value : values) { 
 //调换 KV 位置,反向写出 
            context.write(value,key); 
        } 
    } 
}

Driver 类

import org.apache.hadoop.conf.Configuration; 
import org.apache.hadoop.fs.Path; 
import org.apache.hadoop.io.Text; 
import org.apache.hadoop.mapreduce.Job; 
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 
import java.io.IOException; 
 
public class FlowDriver { 
 public static void main(String[] args) throws IOException, 
ClassNotFoundException, InterruptedException { 
 
         //1 获取 job 对象 
        Configuration conf = new Configuration(); 
        Job job = Job.getInstance(conf); 
 
         //2 关联本 Driver 类 
        job.setJarByClass(FlowDriver.class); 
 
         //3 关联 Mapper 和 Reducer 
        job.setMapperClass(FlowMapper.class); 
        job.setReducerClass(FlowReducer.class); 
 
    //------------------------------------------------------------------
        //4 设置 Map 端输出数据的 KV 类型 
        job.setMapOutputKeyClass(FlowBean.class); 
        job.setMapOutputValueClass(Text.class); 
    //------------------------------------------------------------------
 
         //5 设置程序最终输出的 KV 类型 
        job.setOutputKeyClass(Text.class); 
        job.setOutputValueClass(FlowBean.class); 
 
        //6 设置输入输出路径 
        FileInputFormat.setInputPaths(job, new Path("D:\\inputflow2")); 
        FileOutputFormat.setOutputPath(job, new Path("D:\\comparout")); 
 
         //7 提交 Job 
        boolean b = job.waitForCompletion(true); 
        System.exit(b ? 0 : 1); 
    } 
}

4.3.6 WritableComparable排序案例实操（区内排序）

需求：要求每个省份手机号输出的文件中按照总流量内部排序。
需求分析：基于前一个需求，增加自定义分区类，分区按照省份手机号设置。

增加自定义分区类

import org.apache.hadoop.io.Text; 
import org.apache.hadoop.mapreduce.Partitioner; 
 
public class ProvincePartitioner2 extends Partitioner<FlowBean, Text> { 
 
    @Override 
    public int getPartition(FlowBean flowBean, Text text, int numPartitions)
{ 
        //获取手机号前三位 
        String phone = text.toString(); 
        String prePhone = phone.substring(0, 3); 
 
 		//定义一个分区号变量 partition,根据 prePhone 设置分区号 
        int partition; 
        if("136".equals(prePhone)){ 
            partition = 0; 
        }else if("137".equals(prePhone)){ 
            partition = 1; 
        }else if("138".equals(prePhone)){ 
            partition = 2; 
        }else if("139".equals(prePhone)){ 
            partition = 3; 
        }else { 
            partition = 4; 
        } 
 
 		//最后返回分区号 partition 
        return partition; 
    } 
}

**在驱动类中添加分区类 **

// 设置自定义分区器 
job.setPartitionerClass(ProvincePartitioner2.class); 
 // 设置对应的 ReduceTask 的个数 
job.setNumReduceTasks(5);

**4.3.7 Combiner 合并 **

Combiner是MR程序中Mapper和Reducer之外的一种组件。
Combiner组件的父类就是Reducer。
Combiner和Reducer的区别在于运行的位置

Combiner是在每一个MapTask所在的节点运行;
Reducer是接收全局所有Mapper的输出结果；
Combiner的意义就是对每一个MapTask的输出进行局部汇总，以减小网络传输量。
Combiner能够应用的前提是不能影响最终的业务逻辑
Combiner的输出kv应该跟Reducer的输入kv类型要对应起来。

自定义一个 Combiner 继承 Reducer，重写 Reduce 方法

public class WordCountCombiner extends Reducer<Text, IntWritable, Text, 
IntWritable> { 
 
    private IntWritable outV = new IntWritable(); 
 
    @Override 
    protected void reduce(Text key, Iterable<IntWritable> values, Context 
context) throws IOException, InterruptedException { 
 
        int sum = 0; 
        for (IntWritable value : values) { 
            sum += value.get(); 
        } 
      
        outV.set(sum); 
      
        context.write(key,outV); 
    } 
}

在 Job 驱动类中设置

job.setCombinerClass(WordCountCombiner.class);

4.3.8 Combiner 合并案例实操

方案一
1）增加一个WordcountCombiner类继承Reducer
2）在WordcountCombiner中
（1）统计单词汇总
（2）将统计结果输出

增加一个 WordCountCombiner 类继承 Reducer

import org.apache.hadoop.io.IntWritable; 
import org.apache.hadoop.io.Text; 
import org.apache.hadoop.mapreduce.Reducer; 
import java.io.IOException; 
 
public class WordCountCombiner extends Reducer<Text, IntWritable, Text,
IntWritable> { 
 
private IntWritable outV = new IntWritable(); 
 
    @Override 
    protected void reduce(Text key, Iterable<IntWritable> values, Context
context) throws IOException, InterruptedException { 
 
        int sum = 0; 
        for (IntWritable value : values) { 
            sum += value.get(); 
        } 
 
 		//封装 outKV 
        outV.set(sum); 
         //写出 outKV 
        context.write(key,outV); 
    } 
}

在 WordcountDriver 驱动类中指定 Combiner

// 指定需要使用 combiner，以及用哪个类作为 combiner 的逻辑 
job.setCombinerClass(WordCountCombiner.class);

方案二
1）将WordcountReducer作为Combiner在WordcountDriver驱动类中指定
job.setCombinerClass(WordcountReducer.class);

4.4 OutputFormat 数据输出

4.4.1 OutputFormat 接口实现类

OutputFormat是MapReduce输出的基类，所有实现MapReduce输出都实现了OutputFormat接口。

常见的OutputFormat实现类

1．OutputFormat实现类

2．默认输出格式TextOutputFormat

3．自定义OutputFormat
3.1 应用场景：例如输出数据到MySQL/HBase/Elasticsearch等存储框架中。
3.2 自定义OutputFormat步骤
➢ 自定义一个类继承FileOutputFormat。
➢ 改写RecordWriter，具体改写输出数据的方法write()。

4.4.2 自定义 OutputFormat 案例实操

需求
过滤输入的 log 日志，包含 atguigu 的网站输出到 e:/azula.log，不包含 azula 的网站输出到 e:/other.log。

LogMapper 类

import org.apache.hadoop.io.LongWritable; 
import org.apache.hadoop.io.NullWritable; 
import org.apache.hadoop.io.Text; 
import org.apache.hadoop.mapreduce.Mapper; 
 
import java.io.IOException; 
 
public class LogMapper extends Mapper<LongWritable, Text,Text, 
NullWritable> { 
    @Override 
 protected void map(LongWritable key, Text value, Context context) 
throws IOException, InterruptedException { 
 //不做任何处理,直接写出一行 log 数据 
        context.write(value,NullWritable.get()); 
    } 
}

LogReducer 类

import org.apache.hadoop.io.NullWritable; 
import org.apache.hadoop.io.Text; 
import org.apache.hadoop.mapreduce.Reducer; 
 
import java.io.IOException; 
 
public class LogReducer extends Reducer<Text, NullWritable,Text, 
NullWritable> { 
    @Override 
    protected void reduce(Text key, Iterable<NullWritable> values, Context 
context) throws IOException, InterruptedException { 
        // 防止有相同的数据,迭代写出 
        for (NullWritable value : values) { 
            context.write(key,NullWritable.get()); 
        } 
    } 
}

**LogOutputFormat 类 **

import org.apache.hadoop.io.NullWritable; 
import org.apache.hadoop.io.Text; 
import org.apache.hadoop.mapreduce.RecordWriter; 
import org.apache.hadoop.mapreduce.TaskAttemptContext; 
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 
 
import java.io.IOException; 
 
public class LogOutputFormat extends FileOutputFormat<Text, NullWritable> 
{ 
    @Override 
 public RecordWriter<Text, NullWritable> 
getRecordWriter(TaskAttemptContext job) throws IOException, 
InterruptedException { 
 //创建一个自定义的 RecordWriter 返回 
        LogRecordWriter logRecordWriter = new LogRecordWriter(job); 
        return logRecordWriter; 
    } 
}

**LogRecordWriter 类 **

import org.apache.hadoop.fs.FSDataOutputStream; 
import org.apache.hadoop.fs.FileSystem; 
import org.apache.hadoop.fs.Path; 
import org.apache.hadoop.io.IOUtils; 
import org.apache.hadoop.io.NullWritable; 
import org.apache.hadoop.io.Text; 
import org.apache.hadoop.mapreduce.RecordWriter; 
import org.apache.hadoop.mapreduce.TaskAttemptContext; 
 
import java.io.IOException; 
 
public class LogRecordWriter extends RecordWriter<Text, NullWritable> { 
 
    private FSDataOutputStream atguiguOut; 
    private FSDataOutputStream otherOut; 
 
    public LogRecordWriter(TaskAttemptContext job) { 
        try { 
            //获取文件系统对象 
            FileSystem fs = FileSystem.get(job.getConfiguration()); 
            //用文件系统对象创建两个输出流对应不同的目录 
            atguiguOut = fs.create(new Path("d:/hadoop/atguigu.log")); 
            otherOut = fs.create(new Path("d:/hadoop/other.log")); 
        } catch (IOException e) { 
            e.printStackTrace(); 
        } 
    } 
 
    @Override 
    public void write(Text key, NullWritable value) throws IOException, 
InterruptedException { 
        String log = key.toString(); 
 //根据一行的 log 数据是否包含 atguigu,判断两条输出流输出的内容 
        if (log.contains("atguigu")) { 
            atguiguOut.writeBytes(log + "\n"); 
        } else { 
            otherOut.writeBytes(log + "\n"); 
        } 
    } 
 
    @Override 
 public void close(TaskAttemptContext context) throws IOException, 
InterruptedException { 
        //关流 
        IOUtils.closeStream(atguiguOut); 
        IOUtils.closeStream(otherOut); 
    } 
}

**LogDriver 类 **

import org.apache.hadoop.conf.Configuration; 
import org.apache.hadoop.fs.Path; 
import org.apache.hadoop.io.NullWritable; 
import org.apache.hadoop.io.Text; 
import org.apache.hadoop.mapreduce.Job; 
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 
 
import java.io.IOException; 
 
public class LogDriver { 
 public static void main(String[] args) throws IOException, 
ClassNotFoundException, InterruptedException { 
 
        Configuration conf = new Configuration(); 
        Job job = Job.getInstance(conf); 
 
        job.setJarByClass(LogDriver.class); 
        job.setMapperClass(LogMapper.class); 
        job.setReducerClass(LogReducer.class); 
 
        job.setMapOutputKeyClass(Text.class); 
        job.setMapOutputValueClass(NullWritable.class); 
        job.setOutputKeyClass(Text.class); 
        job.setOutputValueClass(NullWritable.class); 
 
         //设置自定义的 outputformat 
        job.setOutputFormatClass(LogOutputFormat.class); 
 
        FileInputFormat.setInputPaths(job, new Path("D:\\input")); 
         //虽然我们自定义了 outputformat，
    	//但是因为我们的 outputformat 继承自fileoutputformat 
         //而 fileoutputformat 要输出一个_SUCCESS 文件，
    	//所以在这还得指定一个输出目录 
        FileOutputFormat.setOutputPath(job, new Path("D:\\logoutput")); 
 
        boolean b = job.waitForCompletion(true); 
        System.exit(b ? 0 : 1); 
    } 
}

4.5 MapReduce 内核源码解析

4.5.1 MapTask 工作机制

4.5.2 ReduceTask 工作机制

4.5.3 ReduceTask 并行度决定机制

设置 ReduceTask 并行度（个数）

ReduceTask 的并行度同样影响整个 Job 的执行并发度和执行效率，但与 MapTask 的并发数由切片数决定不同，ReduceTask 数量的决定是可以直接手动设置：
```
// 默认值是 1，手动设置为 4 
job.setNumReduceTasks(4); 
```
注意事项

（1）ReduceTask=0，表示没有Reduce阶段，输出文件个数和Map个数一致。
（2）ReduceTask默认值就是1，所以输出文件个数为一个。
（3）如果数据分布不均匀，就有可能在Reduce阶段产生数据倾斜
（4）ReduceTask数量并不是任意设置，还要考虑业务逻辑需求。
（5）具体多少个ReduceTask，需要根据集群性能而定。
（6）如果分区数不是1，但是ReduceTask为1，则不执行分区过程。
=> 因为在MapTask的源码中，执行分区的前提是先判断ReduceNum个数是否大于1。不大于1肯定不执行。

4.5.4 MapTask & ReduceTask 源码解析

MapTask 源码解析流程

context.write(k, NullWritable.get()); //自定义的 map 方法的写出
	output.write(key, value); 
         //MapTask727 行，收集方法，进入两次 
        collector.collect(key, value,partitioner.getPartition(key, value, partitions)); 
         	HashPartitioner(); //默认分区器 
        collect() //MapTask1082 行 map 端所有的 kv 全部写出后会走下面的 close 方法 
        close() //MapTask732 行 
             collector.flush() // 溢出刷写方法，MapTask735 行，提前打个断点
                sortAndSpill() //溢写排序，MapTask1505 行
                sorter.sort() //QuickSort 溢写排序方法，MapTask1625 行
                mergeParts(); //合并文件，MapTask1527 行
                collector.close(); //MapTask739 行,收集器关闭,即将进入 ReduceTask

ReduceTask 源码解析流程

if (isMapOrReduce()) //reduceTask324 行，提前打断点 
    initialize() // reduceTask333 行,进入 
    init(shuffleContext); // reduceTask375 行,走到这需要先给下面的打断点 
        totalMaps = job.getNumMapTasks(); // ShuffleSchedulerImpl 第 120 行，提前打断点 
        merger = createMergeManager(context); //合并方法，Shuffle 第 80 行 
            // MergeManagerImpl 第 232 235 行，提前打断点 
            this.inMemoryMerger = createInMemoryMerger(); //内存合并 
            this.onDiskMerger = new OnDiskMerger(this); //磁盘合并 
    rIter = shuffleConsumerPlugin.run(); 
        eventFetcher.start(); //开始抓取数据，Shuffle 第 107 行，提前打断点 
        eventFetcher.shutDown(); //抓取结束，Shuffle 第 141 行，提前打断点 
        copyPhase.complete(); //copy 阶段完成，Shuffle 第 151 行 
        taskStatus.setPhase(TaskStatus.Phase.SORT); //开始排序阶段，Shuffle 第 152 行 
    sortPhase.complete(); //排序阶段完成，即将进入 reduce 阶段 reduceTask382 行 
reduce(); //reduce 阶段调用的就是我们自定义的 reduce 方法，会被调用多次 
    cleanup(context); //reduce 完成之前，会最后调用一次 Reducer 里面的 cleanup 方法

4.6 Join 应用

Map 端的主要工作：
为来自不同表或文件的 key/value 对，打标签以区别不同来源的记录。
然后用连接字段作为 key，其余部分和新加的标志作为 value，最后进行输出。

Reduce 端的主要工作：
由于以连接字段作为 key 的分组已在 Map 端完成
所以只需要在每一个分组当中将那些来源于不同文件的记录分开，最后进行合并。

4.6.1 Reduce Join

MapTask	ReduceTask
1）Map中处理的事情（1）获取输入文件类型（2）获取输入数据（3）不同文件分别处理（4）封装Bean对象输出 2）默认对产品id排序	1）Reduce方法缓存订单数据集合，和产品表，然后合并

创建商品和订单合并后的 TableBean 类

import org.apache.hadoop.io.Writable; 
 
import java.io.DataInput; 
import java.io.DataOutput; 
import java.io.IOException; 
 
public class TableBean implements Writable { 

    private String id; //订单 id 
    private String pid; //产品 id 
    private int amount; //产品数量 
    private String pname; //产品名称 
    private String flag; //判断是 order 表还是 pd表的标志字段 
 
    public TableBean() { 
    } 
 
    public String getId() { 
        return id; 
    } 
 
    public void setId(String id) { 
        this.id = id; 
    } 
 
    public String getPid() { 
        return pid; 
    } 
 
    public void setPid(String pid) { 
        this.pid = pid; 
    } 
 
    public int getAmount() { 
        return amount; 
    } 
 
    public void setAmount(int amount) { 
        this.amount = amount; 
    } 
 
    public String getPname() { 
        return pname; 
    } 
 
    public void setPname(String pname) { 
        this.pname = pname; 
    } 
 
    public String getFlag() { 
        return flag; 
    } 
 
    public void setFlag(String flag) { 
        this.flag = flag; 
    } 
 
    @Override 
    public String toString() { 
        return id + "\t" + pname + "\t" + amount; 
    } 
 
    @Override 
    public void write(DataOutput out) throws IOException { 
        out.writeUTF(id); 
        out.writeUTF(pid); 
        out.writeInt(amount); 
        out.writeUTF(pname); 
        out.writeUTF(flag); 
    } 
 
    @Override 
    public void readFields(DataInput in) throws IOException { 
    	this.id = in.readUTF(); 
        this.pid = in.readUTF(); 
        this.amount = in.readInt(); 
        this.pname = in.readUTF(); 
        this.flag = in.readUTF(); 
    } 
}

TableMapper 类

import org.apache.hadoop.io.LongWritable; 
import org.apache.hadoop.io.Text; 
import org.apache.hadoop.mapreduce.InputSplit; 
import org.apache.hadoop.mapreduce.Mapper; 
import org.apache.hadoop.mapreduce.lib.input.FileSplit; 
 
import java.io.IOException; 
 
public class TableMapper extends Mapper<LongWritable,Text,Text,TableBean> 
{ 
 
    private String filename; 
    private Text outK = new Text(); 
    private TableBean outV = new TableBean(); 
 
    // setup：顾名思义，在map前执行，作用是获取对应文件名称 
	@Override 
 	protected void setup(Context context) throws IOException, 
InterruptedException { 
        //获取对应文件名称 
        InputSplit split = context.getInputSplit(); 
        FileSplit fileSplit = (FileSplit) split; 
        filename = fileSplit.getPath().getName(); 
    } 
 
	@Override 
	protected void map(LongWritable key, Text value, Context context) 
throws IOException, InterruptedException { 
 
        //获取一行 
        String line = value.toString(); 
 
        //判断是哪个文件,然后针对文件进行不同的操作 
        if(filename.contains("order")){  //订单表的处理 
            String[] split = line.split("\t"); 
             //封装 outK: pid
            outK.set(split[1]); 
             //封装 outV 
            outV.setId(split[0]); 
            outV.setPid(split[1]); 
            outV.setAmount(Integer.parseInt(split[2])); 
            outV.setPname(""); 
            outV.setFlag("order"); 
        }else {   //商品表的处理 
            String[] split = line.split("\t"); 
 		    //封装 outK: pid
            outK.set(split[0]); 
		   //封装 outV 
            outV.setId(""); 
            outV.setPid(split[0]); 
            outV.setAmount(0); 
            outV.setPname(split[1]); 
            outV.setFlag("pd"); 
        } 
  		//写出 KV 
        context.write(outK,outV); 
    } 
}

TableReducer 类

import org.apache.commons.beanutils.BeanUtils; 
import org.apache.hadoop.io.NullWritable; 
import org.apache.hadoop.io.Text; 
import org.apache.hadoop.mapreduce.Reducer; 
 
import java.io.IOException; 
import java.lang.reflect.InvocationTargetException; 
import java.util.ArrayList; 
 
public class TableReducer extends Reducer<Text,TableBean,TableBean, 
NullWritable> { 
 
    @Override 
    protected void reduce(Text key, Iterable<TableBean> values, Context 
context) throws IOException, InterruptedException { 
 
        ArrayList<TableBean> orderBeans = new ArrayList<>(); 
        TableBean pdBean = new TableBean(); 
 
        for (TableBean value : values) { 
 
            //判断数据来自哪个表 
            if("order".equals(value.getFlag())){   //订单表 
 
                //创建一个临时 TableBean 对象接收 value 
                TableBean tmpOrderBean = new TableBean(); 
 
                try { 
                    BeanUtils.copyProperties(tmpOrderBean,value); 
                } catch (IllegalAccessException e) { 
                    e.printStackTrace(); 
                } catch (InvocationTargetException e) { 
                    e.printStackTrace(); 
                } 
 
                //将临时 TableBean 对象添加到集合 orderBeans 
                orderBeans.add(tmpOrderBean); 
            }else {   //商品表 
                try { 
                    BeanUtils.copyProperties(pdBean,value); 
                } catch (IllegalAccessException e) { 
                    e.printStackTrace(); 
                } catch (InvocationTargetException e) { 
                    e.printStackTrace(); 
                } 
            } 
        } 
 
 		//遍历集合 orderBeans
        for (TableBean orderBean : orderBeans) {
            //替换掉每个 orderBean 的 pid 为 pname
        	orderBean.setPname(pdBean.getPname()); 
		   //写出修改后的 orderBean 对象 
            context.write(orderBean,NullWritable.get()); 
        } 
    } 
}

TableDriver 类

import org.apache.hadoop.conf.Configuration; 
import org.apache.hadoop.fs.Path; 
import org.apache.hadoop.io.NullWritable; 
import org.apache.hadoop.io.Text; 
import org.apache.hadoop.mapreduce.Job; 
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 
 
import java.io.IOException; 
 
public class TableDriver { 
 public static void main(String[] args) throws IOException, 
ClassNotFoundException, InterruptedException { 
        Job job = Job.getInstance(new Configuration()); 
 
        job.setJarByClass(TableDriver.class); 
        job.setMapperClass(TableMapper.class); 
        job.setReducerClass(TableReducer.class); 
 
        job.setMapOutputKeyClass(Text.class); 
        job.setMapOutputValueClass(TableBean.class); 
 
        job.setOutputKeyClass(TableBean.class); 
        job.setOutputValueClass(NullWritable.class); 
 
        FileInputFormat.setInputPaths(job, new Path("D:\\input")); 
        FileOutputFormat.setOutputPath(job, new Path("D:\\output")); 
 
        boolean b = job.waitForCompletion(true); 
        System.exit(b ? 0 : 1); 
    } 
}

缺点

这种方式中，合并的操作是在 Reduce 阶段完成，Reduce 端的处理压力太大，Map节点的运算负载则很低，资源利用率不高，且在 Reduce 阶段极易产生数据倾斜。
解决方案：Map 端实现数据合并。

4.6.2 Map Join

使用场景 ：适用于一张表十分小、一张表很大的场景。

优点：在 Map 端缓存多张表，提前处理业务逻辑，这样增加 Map 端业务，减少 Reduce 端数据的压力，尽可能的减少数据倾斜。

具体办法：采用 DistributedCache
（1）在 Mapper 的 setup 阶段，将文件读取到缓存集合中。
（2）在 Driver 驱动类中加载缓存。

//缓存普通文件到 Task 运行节点。 
job.addCacheFile(new URI("file:///e:/cache/pd.txt")); 
//如果是集群运行,需要设置 HDFS 路径 
job.addCacheFile(new URI("hdfs://hadoop102:8020/cache/pd.txt"));

案例实操：需求和上面一样

在 MapJoinDriver 驱动类中添加缓存文件

import org.apache.hadoop.conf.Configuration; 
import org.apache.hadoop.fs.Path; 
import org.apache.hadoop.io.NullWritable; 
import org.apache.hadoop.io.Text; 
import org.apache.hadoop.mapreduce.Job; 
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 
 
import java.io.IOException; 
import java.net.URI; 
import java.net.URISyntaxException; 
 
public class MapJoinDriver { 
 
 public static void main(String[] args) throws IOException
URISyntaxException, ClassNotFoundException, InterruptedException { 
 
 		// 1 获取 job 信息 
        Configuration conf = new Configuration(); 
        Job job = Job.getInstance(conf); 
 		// 2 设置加载 jar 包路径 
        job.setJarByClass(MapJoinDriver.class); 
 		// 3 关联 mapper 
        job.setMapperClass(MapJoinMapper.class); 
		// 4 设置 Map 输出 KV 类型 
		job.setMapOutputKeyClass(Text.class); 
        job.setMapOutputValueClass(NullWritable.class); 
 		// 5 设置最终输出 KV 类型 
        job.setOutputKeyClass(Text.class); 
        job.setOutputValueClass(NullWritable.class); 
 
     //新增代码
     //-----------------------------------------------------------------
        // 加载缓存数据 
        job.addCacheFile(new URI("file:///D:/input/tablecache/pd.txt")); 
	   // Map 端 Join 的逻辑不需要 Reduce 阶段，设置 reduceTask 数量为 0 
        job.setNumReduceTasks(0); 
     //-----------------------------------------------------------------
 
        // 6 设置输入输出路径 
        FileInputFormat.setInputPaths(job, new Path("D:\\input")); 
        FileOutputFormat.setOutputPath(job, new Path("D:\\output")); 
        // 7 提交 
        boolean b = job.waitForCompletion(true); 
        System.exit(b ? 0 : 1); 
    } 
}

在 MapJoinMapper 类中的 setup 方法中读取缓存文件

import org.apache.commons.lang.StringUtils; 
import org.apache.hadoop.fs.FSDataInputStream; 
import org.apache.hadoop.fs.FileSystem; 
import org.apache.hadoop.fs.Path; 
import org.apache.hadoop.io.IOUtils; 
import org.apache.hadoop.io.LongWritable; 
import org.apache.hadoop.io.NullWritable; 
import org.apache.hadoop.io.Text; 
import org.apache.hadoop.mapreduce.Mapper; 
 
import java.io.BufferedReader; 
import java.io.IOException; 
import java.io.InputStreamReader; 
import java.net.URI; 
import java.util.HashMap; 
import java.util.Map; 
 
public class MapJoinMapper extends Mapper<LongWritable, Text, Text, 
NullWritable> { 
 
    private Map<String, String> pdMap = new HashMap<>(); 
    private Text text = new Text(); 
 
 	//任务开始前将 pd 数据缓存进 pdMap 
    @Override 
	protected void setup(Context context) throws IOException, 
InterruptedException { 
 
 		//通过缓存文件得到小表数据 pd.txt 
        URI[] cacheFiles = context.getCacheFiles(); 
        Path path = new Path(cacheFiles[0]); 
 
        //获取文件系统对象,并开流 
        FileSystem fs = FileSystem.get(context.getConfiguration()); 
        FSDataInputStream fis = fs.open(path); 
 
 		//通过包装流转换为 reader,方便按行读取 
 		BufferedReader reader = new BufferedReader(new InputStreamReader(fis, "UTF-8")); 
  		//逐行读取，按行处理 
        String line; 
        while (StringUtils.isNotEmpty(line = reader.readLine())) { 
            //切割一行     
            String[] split = line.split("\t"); 
            //pdMap.put：这里将pname存进了pdMap
            pdMap.put(split[0], split[1]); 
        } 
 
        //关流 
        IOUtils.closeStream(reader); 
    } 
 
    @Override 
	protected void map(LongWritable key, Text value, Context context) 
throws IOException, InterruptedException { 
 
        //读取大表数据     
	    //1001 01 1 
        String[] fields = value.toString().split("\t"); 
 
 		//通过大表每行数据的 pid,去 pdMap 里面取出 pname 
        String pname = pdMap.get(fields[1]); 
 
		//将大表每行数据的 pid 替换为 pname 
        text.set(fields[0] + "\t" + pname + "\t" + fields[2]); 
 
        //写出 
        context.write(text,NullWritable.get()); 
    } 
}

4.7 数据清洗（ETL）

Extract-Transform-Load

描述将数据从来源端经过抽取（Extract）、转换（Transform）、加载（Load）至目的端的过程
在运行核心业务 MapReduce 程序之前，往往要先对数据进行清洗，清理掉不符合用户要求的数据。
清理的过程往往只需要运行 Mapper 程序，不需要运行 Reduce 程序。

WebLogMapper 类

import java.io.IOException; 
import org.apache.hadoop.io.LongWritable; 
import org.apache.hadoop.io.NullWritable; 
import org.apache.hadoop.io.Text; 
import org.apache.hadoop.mapreduce.Mapper; 
 
public class WebLogMapper extends Mapper<LongWritable, Text, Text, 
NullWritable>{ 

    @Override 
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { 

        // 1 获取 1 行数据 
        String line = value.toString(); 

        // 2 解析日志 
        boolean result = parseLog(line,context); 

        // 3 日志不合法退出 
        if (!result) { 
            return; 
        } 

        // 4 日志合法就直接写出 
        context.write(value, NullWritable.get()); 
    } 

    // 2 封装解析日志的方法 
    private boolean parseLog(String line, Context context) { 

        // 1 截取 
        String[] fields = line.split(" "); 

        // 2 日志长度大于 11 的为合法 
        if (fields.length > 11) { 
            return true; 
        }else { 
            return false; 
        } 
    } 
}

WebLogDriver 类

import org.apache.hadoop.conf.Configuration; 
import org.apache.hadoop.fs.Path; 
import org.apache.hadoop.io.NullWritable; 
import org.apache.hadoop.io.Text; 
import org.apache.hadoop.mapreduce.Job; 
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 
public class WebLogDriver { 
    public static void main(String[] args) throws Exception { 

        // 输入输出路径需要根据自己电脑上实际的输入输出路径设置 
        args = new String[] { "D:/input/inputlog", "D:/output1" }; 

        // 1 获取 job 信息 
        Configuration conf = new Configuration(); 
        Job job = Job.getInstance(conf); 

        // 2 加载 jar 包 
        job.setJarByClass(LogDriver.class); 

        // 3 关联 map 
        job.setMapperClass(WebLogMapper.class); 

        // 4 设置最终输出类型 
        job.setOutputKeyClass(Text.class); 
        job.setOutputValueClass(NullWritable.class); 

        //清理的过程往往只需要运行 Mapper 程序，不需要运行 Reduce 程序。
 //--------------------------------------------------------------
        // 设置 reducetask 个数为 0 
        job.setNumReduceTasks(0); 
 //--------------------------------------------------------------
        
        // 5 设置输入和输出路径 
        FileInputFormat.setInputPaths(job, new Path(args[0])); 
        FileOutputFormat.setOutputPath(job, new Path(args[1])); 

        // 6 提交 
        boolean b = job.waitForCompletion(true); 
        System.exit(b ? 0 : 1); 
    } 
}

4.8 MapReduce 开发总结

输入数据接口：InputFormat
- 默认使用的实现类是：TextInputFormat
- TextInputFormat 的功能逻辑是：
  一次读一行文本，然后将该行的起始偏移量作为key，行内容作为 value 返回。
- CombineTextInputFormat 可以把多个小文件合并成一个切片处理，提高处理效率。
逻辑处理接口：Mapper

用户根据业务需求实现其中三个方法：map() setup() cleanup ()
Partitioner 分区
- 有默认实现 HashPartitioner，逻辑是根据 key 的哈希值和 numReduces 来返回一个分区号；key.hashCode()&Integer.MAXVALUE % numReduces
- 如果业务上有特别的需求，可以自定义分区。
Comparable 排序
- 当我们用自定义的对象作为 key 来输出时，就必须要实现 WritableComparable 接口，重写其中的 compareTo() 方法。
- 部分排序：对最终输出的每一个文件进行内部排序。
- 全排序：对所有数据进行排序，通常只有一个 Reduce。
- 二次排序：排序的条件有两个。
Combiner 合并

Combiner 合并可以提高程序执行效率，减少 IO 传输。但是使用时必须不能影响原有的业务处理结果。
逻辑处理接口：Reducer

用户根据业务需求实现其中三个方法：reduce() setup() cleanup ()
输出数据接口：OutputFormat
- 默认实现类是 TextOutputFormat
- 功能逻辑是：将每一个 KV 对，向目标文本文件输出一行。
- 用户还可以自定义 OutputFormat。

第 5 章 Hadoop 数据压缩

5.1 概述

压缩的好处和坏处
压缩的优点：以减少磁盘 IO、减少磁盘存储空间。
压缩的缺点：增加 CPU 开销。

压缩原则
（1）运算密集型的 Job，少用压缩
（2）IO 密集型的 Job，多用压缩

5.2 MR 支持的压缩编码

压缩格式	Hadoop自带？	算法	文件扩展名	是否可切片	换成压缩格式后，原来的程序是否需要修改
DEFLATE	是，直接使用	DEFLATE	.deflate	否	和文本处理一样，不需要修改
Gzip	是，直接使用	DEFLATE	.gz	否	和文本处理一样，不需要修改
bzip2	是，直接使用	bzip2	.bz2	是	和文本处理一样，不需要
LZO	否，需要安装	LZO	.lzo	是	需要建索引，还需要指定输入格式
Snappy	是，直接使用	Snappy	.snappy	否	和文本处理一样，不需要修改

压缩算法	原始文件大小	压缩文件大小	压缩速度	解压速度
gzip	8.3GB	1.8GB	17.5MB/s	58MB/s
bzip2	8.3GB	1.1GB	2.4MB/s	9.5MB/s
LZO	8.3GB	2.9GB	49.3MB/s	74.6MB/s

5.3 压缩方式选择

重点考虑：压缩/解压缩速度、压缩率（压缩后存储大小）、压缩后是否可以支持切片。

5.3.1 Gzip 压缩

优点：压缩率比较高；
缺点：不支持 Split；压缩/解压速度一般；

5.3.2 Bzip2 压缩

优点：压缩率高；支持 Split；
缺点：压缩/解压速度慢。

5.3.3 Lzo 压缩

优点：压缩/解压速度比较快；支持 Split；
缺点：压缩率一般；想支持切片需要额外创建索引。

5.3.4 Snappy 压缩

优点：压缩和解压缩速度快；
缺点：不支持 Split；压缩率一般；

5.3.5 压缩位置选择

压缩可以在 MapReduce 作用的任意阶段启用。

5.4 压缩参数配置

1）为了支持多种压缩/解压缩算法，Hadoop 引入了编码/解码器

压缩格式	对应的编码/解码器
DEFLATE	org.apache.hadoop.io.compress.DefaultCodec
gzip	org.apache.hadoop.io.compress.GzipCodec
bzip2	org.apache.hadoop.io.compress.BZip2Codec
LZO	com.hadoop.compression.lzo.LzopCodec
Snappy	org.apache.hadoop.io.compress.SnappyCodec

2）要在 Hadoop 中启用压缩，可以配置如下参数

参数	默认值	阶段	建议
io.compression.codecs （在 core-site.xml 中配置）	无，这个需要在命令行输入hadoop checknative 查看	输入压缩	Hadoop 使用文件扩展名判断是否支持某种编解码器
mapreduce.map.output.compress（在 mapred-site.xml 中配置）	false	mapper 输出	输出这个参数设为 true 启用压缩
mapreduce.map.output.compress.codec（在 mapred-site.xml 中配置）	org.apache.hadoop.io.compress.DefaultCodec	mapper 输出	企业多使用 LZO 或Snappy 编解码器在此阶段压缩数据
mapreduce.output.fileoutputformat.compress（在mapred-site.xml 中配置）	false	reducer 输出	这个参数设为 true 启用压缩
mapreduce.output.fileoutputformat.compress.codec（在mapred-site.xml 中配置）	org.apache.hadoop.io.compress.DefaultCodec	reducer 输出	使用标准工具或者编解码器，如 gzip 和bzip2

5.5 压缩实操案例

Hadoop 源码支持的压缩格式有：BZip2Codec、DefaultCodec

Map 输出端采用压缩

import java.io.IOException; 
import org.apache.hadoop.conf.Configuration; 
import org.apache.hadoop.fs.Path; 
import org.apache.hadoop.io.IntWritable; 
import org.apache.hadoop.io.Text; 
import org.apache.hadoop.io.compress.BZip2Codec; 
import org.apache.hadoop.io.compress.CompressionCodec; 
import org.apache.hadoop.io.compress.GzipCodec; 
import org.apache.hadoop.mapreduce.Job; 
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 
 
public class WordCountDriver { 

    public static void main(String[] args) throws IOException, 
    ClassNotFoundException, InterruptedException { 

        Configuration conf = new Configuration(); 

        //------------------------------------------------------------
        // 开启 map 端输出压缩 
        conf.setBoolean("mapreduce.map.output.compress", true); 

        // 设置 map 端输出压缩方式 
        conf.setClass("mapreduce.map.output.compress.codec", 
                      BZip2Codec.class,CompressionCodec.class); 
        Job job = Job.getInstance(conf); 
        //------------------------------------------------------------
        
        job.setJarByClass(WordCountDriver.class); 

        job.setMapperClass(WordCountMapper.class); 
        job.setReducerClass(WordCountReducer.class); 

        job.setMapOutputKeyClass(Text.class); 
        job.setMapOutputValueClass(IntWritable.class); 

        job.setOutputKeyClass(Text.class); 
        job.setOutputValueClass(IntWritable.class); 

        FileInputFormat.setInputPaths(job, new Path(args[0])); 
        FileOutputFormat.setOutputPath(job, new Path(args[1])); 

        boolean result = job.waitForCompletion(true); 

        System.exit(result ? 0 : 1); 
    } 
}

Reduce 输出端采用压缩

import java.io.IOException; 
import org.apache.hadoop.conf.Configuration; 
import org.apache.hadoop.fs.Path; 
import org.apache.hadoop.io.IntWritable; 
import org.apache.hadoop.io.Text; 
import org.apache.hadoop.io.compress.BZip2Codec; 
import org.apache.hadoop.io.compress.DefaultCodec; 
import org.apache.hadoop.io.compress.GzipCodec; 
import org.apache.hadoop.io.compress.Lz4Codec; 
import org.apache.hadoop.io.compress.SnappyCodec; 
import org.apache.hadoop.mapreduce.Job; 
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 
 
public class WordCountDriver { 

    public static void main(String[] args) throws IOException, 
    ClassNotFoundException, InterruptedException { 

        Configuration conf = new Configuration(); 

        Job job = Job.getInstance(conf); 

        job.setJarByClass(WordCountDriver.class); 

        job.setMapperClass(WordCountMapper.class); 
        job.setReducerClass(WordCountReducer.class); 

        job.setMapOutputKeyClass(Text.class); 
        job.setMapOutputValueClass(IntWritable.class); 

        job.setOutputKeyClass(Text.class); 
        job.setOutputValueClass(IntWritable.class); 

        FileInputFormat.setInputPaths(job, new Path(args[0])); 
        FileOutputFormat.setOutputPath(job, new Path(args[1])); 

        // 设置 reduce 端输出压缩开启 
        FileOutputFormat.setCompressOutput(job, true); 

        // 设置压缩的方式 
        FileOutputFormat.setOutputCompressorClass(job, BZip2Codec.class); 
        // FileOutputFormat.setOutputCompressorClass(job, GzipCodec.class); 
        // FileOutputFormat.setOutputCompressorClass(job, 
        DefaultCodec.class);  

        boolean result = job.waitForCompletion(true); 

        System.exit(result?0:1); 
    } 
}


   job.setMapperClass(WordCountMapper.class); 
        job.setReducerClass(WordCountReducer.class); 

        job.setMapOutputKeyClass(Text.class); 
        job.setMapOutputValueClass(IntWritable.class); 

        job.setOutputKeyClass(Text.class); 
        job.setOutputValueClass(IntWritable.class); 

        FileInputFormat.setInputPaths(job, new Path(args[0])); 
        FileOutputFormat.setOutputPath(job, new Path(args[1])); 

        boolean result = job.waitForCompletion(true); 

        System.exit(result ? 0 : 1); 
    } 
}

Reduce 输出端采用压缩

import java.io.IOException; 
import org.apache.hadoop.conf.Configuration; 
import org.apache.hadoop.fs.Path; 
import org.apache.hadoop.io.IntWritable; 
import org.apache.hadoop.io.Text; 
import org.apache.hadoop.io.compress.BZip2Codec; 
import org.apache.hadoop.io.compress.DefaultCodec; 
import org.apache.hadoop.io.compress.GzipCodec; 
import org.apache.hadoop.io.compress.Lz4Codec; 
import org.apache.hadoop.io.compress.SnappyCodec; 
import org.apache.hadoop.mapreduce.Job; 
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 
 
public class WordCountDriver { 

    public static void main(String[] args) throws IOException, 
    ClassNotFoundException, InterruptedException { 

        Configuration conf = new Configuration(); 

        Job job = Job.getInstance(conf); 

        job.setJarByClass(WordCountDriver.class); 

        job.setMapperClass(WordCountMapper.class); 
        job.setReducerClass(WordCountReducer.class); 

        job.setMapOutputKeyClass(Text.class); 
        job.setMapOutputValueClass(IntWritable.class); 

        job.setOutputKeyClass(Text.class); 
        job.setOutputValueClass(IntWritable.class); 

        FileInputFormat.setInputPaths(job, new Path(args[0])); 
        FileOutputFormat.setOutputPath(job, new Path(args[1])); 

        // 设置 reduce 端输出压缩开启 
        FileOutputFormat.setCompressOutput(job, true); 

        // 设置压缩的方式 
        FileOutputFormat.setOutputCompressorClass(job, BZip2Codec.class); 
        // FileOutputFormat.setOutputCompressorClass(job, GzipCodec.class); 
        // FileOutputFormat.setOutputCompressorClass(job, 
        DefaultCodec.class);  

        boolean result = job.waitForCompletion(true); 

        System.exit(result?0:1); 
    } 
}