Hadoop之MapReduce开发总结

1.输入数据接口：InputFormat

（1）默认使用的实现类是：TextInputFormat
（2）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。
（3）KeyValueTextInputFormat每一行均为一条记录，被分隔符分割为key，value。默认分隔符是tab(\t)。
（4）NlinelnputFormat按照指定的行数N来划分切片。
（5）CombineTextlnputFormat可以把多个小文件合并成一个切片处理，提高处理效率。
（6）用户还可以自定义InputFormat。

2.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()

3.Partitioner分区

（1）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
（2）如果业务上有特别的需求，可以自定义分区。
（3）分区保证了到reduce端的数据是均衡的，采用hash分区的话同一个key(hashcode相同)的处理在一个reduce上,不同的key 哈希取模计算后会在同一个reduce(也就是同一个reduce上不同次数会处理不同key).

4.Comparable排序

（1）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。
（2）部分排序：对最终输出的每一个文件进行内部排序。
（3）全排序：对所有数据进行排序，通常只有一个Reduce。
（4）二次排序：排序的条件有两个。

5.Combiner合并（可选）

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。

6.Reduce端分组GroupingComparator

Mapreduce框架在记录到达Reducer之前按键对记录排序，但键所对应的值并没有被排序。一般来说，大多数MapReduce程序会避免让Reduce函数依赖于值的排序。但是，有时也需要通过特定的方法对键进行排序和分组以实现对值的排序。

7.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()

8.输出数据接口：OutputFormat

（1）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。
（2）将SequenceFileOutputFormat输出作为后续MapReduce任务的输入，这便是一种好的输出格式，因为它的格式紧凑，很容易被压缩。
（3）用户还可以自定义OutputFormat。