写这个文章的时候才意识到新旧API是同时存在于1.1.2的hadoop中的。以前还一直纳闷儿为什么有时候是jobClient提交任务，有时是Job...不管API是否更新，下面这些类也还是存在于API中的，经过自己跟踪源码，发现原理还是这些。只不过进行了重新组织，进行了一些封装，使得扩展性更好。所以还是把这些东西从记事本贴进来吧。
关于这些类的介绍以及使用，有的是在自己debug中看到的，多数为纯翻译API的注释，但是翻译的过程受益良多。
GenericOptionsParser
parseGeneralOptions(Options opts, Configuration conf, String[] args)解析命令行参数
GenericOptionsParser是为hadoop框架解析命令行参数的工具类。它能够辨认标准的命令行参数，使app能够轻松指定namenode，jobtracker，以及额外的配置资源或信息等。它支持的功能有：
-conf 指定配置文件；
-D 指定配置信息；
-fs 指定namenode
-jt 指定jobtracker
-files 指定需要copy到MR集群的文件，以逗号分隔
-libjars指定需要copy到MR集群的classpath的jar包，以逗号分隔
-archives指定需要copy到MR集群的压缩文件，以逗号分隔，会自动解压缩
String[] otherArgs = new GenericOptionsParser(job, args)
.getRemainingArgs();
if (otherArgs.length != 2) {
System.err.println("Usage: wordcount <in> <out>");
System.exit(2);
}ToolRunner
用来跑实现Tool接口的工具。它与GenericOptionsParser合作来解析命令行参数，只在此次运行中更改configuration的参数。
Tool
处理命令行参数的接口。Tool是MR的任何tool/app的标准。这些实现应该代理对标准命令行参数的处理。下面是典型实现：
public class MyApp extends Configured implements Tool {
*
* public int run(String[] args) throws Exception {
* // 即将被ToolRunner执行的Configuration
* Configuration conf = getConf();
*
* // 使用conf建立JobConf
* JobConf job = new JobConf(conf, MyApp.class);
*
* // 执行客户端参数
* Path in = new Path(args[1]);
* Path out = new Path(args[2]);
*
* // 指定job相关的参数
* job.setJobName("my-app");
* job.setInputPath(in);
* job.setOutputPath(out);
* job.setMapperClass(MyApp.MyMapper.class);
* job.setReducerClass(MyApp.MyReducer.class);
*
* // 提交job，然后监视进度直到job完成
* JobClient.runJob(job);
* }
*
* public static void main(String[] args) throws Exception {
* // 让ToolRunner 处理命令行参数
* int res = ToolRunner.run(new Configuration(), new Sort(), args); //这里封装了GenericOptionsParser解析args
*
* System.exit(res);
* }
* }自定义输出文件名称或者说名称格式。在jobconf中setOutputFormat(MultipleOutputFormat的子类)就行了。而不是那种part-r-00000啥的了。。。并且可以分配结果到多个文件中。
MultipleOutputFormat继承了FileOutputFormat, 允许将输出数据写进不同的输出文件中。有三种应用场景：
a. 最少有一个reducer的mapreduce任务。这个reducer想要根据实际的key将输出写进不同的文件中。假设一个key编码了实际的key和为实际的key指定的位置。
b. 只有map的任务。这个任务想要把输入文件或者输入内容的部分名称设为输出文件名。
c. 只有map的任务。这个任务为输出命名时，需要依赖keys和输入文件名。
//这里是根据key生成多个文件的地方，可以看到还有value，name等参数
@Override
protected String generateFileNameForKeyValue(Text key,
IntWritable value, String name) {
char c = key.toString().toLowerCase().charAt(0);
if (c >= 'a' && c <= 'z') {
return c + ".txt";
}
return "result.txt";
}DistributedCache
在集群中快速分发大的只读文件。DistributedCache是MR用来缓存app需要的诸如text，archive，jar等的文件的。app通过jobconf中的url来指定需要缓存的文件。它会假定指定的这个文件已经在url指定的对应位置上了。在job在node上执行之前，DistributedCache会copy必要的文件到这个slave node。它的功效就是为每个job只copy一次，而且copy到指定位置，能够自动解压缩。
DistributedCache可以用来分发简单的只读文件，或者一些复杂的例如archive，jar文件等。archive文件会自动解压缩，而jar文件会被自动放置到任务的classpath中（lib）。分发压缩archive时，可以指定解压名称如：dict.zip#dict。这样就会解压到dict中，否则默认是dict.zip中。
文件是有执行权限的。用户可以选择在任务的工作目录下建立指向DistributedCache的软链接。
DistributedCache.createSymlink(conf);
DistributedCache.addCacheFile(new Path("hdfs://host:port/absolute-path#link-name").toUri(), conf); DistributedCache会跟踪修改缓存文件的timestamp。
下面是使用的例子：
* // 为应用app设置缓存
*
* 1. 将需要的文件copy到FileSystem中：
*
* $ bin/hadoop fs -copyFromLocal lookup.dat /myapp/lookup.dat
* $ bin/hadoop fs -copyFromLocal map.zip /myapp/map.zip
* $ bin/hadoop fs -copyFromLocal mylib.jar /myapp/mylib.jar
* $ bin/hadoop fs -copyFromLocal mytar.tar /myapp/mytar.tar
* $ bin/hadoop fs -copyFromLocal mytgz.tgz /myapp/mytgz.tgz
* $ bin/hadoop fs -copyFromLocal mytargz.tar.gz /myapp/mytargz.tar.gz
*
* 2. 设置app的jobConf:
*
* JobConf job = new JobConf();
* DistributedCache.addCacheFile(new URI("/myapp/lookup.dat#lookup.dat"),
* job);
* DistributedCache.addCacheArchive(new URI("/myapp/map.zip", job);
* DistributedCache.addFileToClassPath(new Path("/myapp/mylib.jar"), job);
* DistributedCache.addCacheArchive(new URI("/myapp/mytar.tar", job);
* DistributedCache.addCacheArchive(new URI("/myapp/mytgz.tgz", job);
* DistributedCache.addCacheArchive(new URI("/myapp/mytargz.tar.gz", job);
*
* 3. 在mapper或者reducer中使用缓存文件：
*
* public static class MapClass extends MapReduceBase
* implements Mapper<K, V, K, V> {
*
* private Path[] localArchives;
* private Path[] localFiles;
*
* public void configure(JobConf job) {
* // 得到刚刚缓存的文件
* localArchives = DistributedCache.getLocalCacheArchives(job);
* localFiles = DistributedCache.getLocalCacheFiles(job);
* }
*
* public void map(K key, V value,
* OutputCollector<K, V>; output, Reporter reporter)
* throws IOException {
* // 使用缓存文件
* // ...
* // ...
* output.collect(k, v);
* }
* }它跟GenericOptionsParser的部分功能有异曲同工之妙。
PathFilter + 通配符。accept(Path path)筛选path是否通过。
NullWritable 不想输出的时候，把它当做key。NullWritable是Writable的一个特殊类，序列化的长度为0，实现方法为空实现，不从数据流中读数据，也不写入数据，只充当占位符，如在MapReduce中，如果你不需要使用键或值，你就可以将键或值声明为NullWritable,NullWritable是一个不可变的单实例类型。
FileInputFormat继承于InputFormat
InputFormat的作用：
验证输入规范；
切分输入文件为InputSpilts;
提供RecordReader来收集InputSplit中的输入记录，给Mapper进行执行。
RecordReader
将面向字节的InputSplit转换为面向记录的视图，供Mapper或者Reducer使用运行。因此假定处理记录的责任界限,为任务呈现key-value。
SequenceFile:
SequenceFile是包含二进制kv的扁平文件（序列化）。它提供Writer、Reader、Sorter来进行写、读、排序功能。基于CompressionType，SequenceFile有三种对于kv的压缩方式：
Writer：不压缩records；
RecordCompressWriter： 只压缩values;
BlockCompressWriter: 压缩records，keys和values都被分开压缩在block中，block的大小可以配置；
压缩方式由合适的CompressionCodec指定。推荐使用此类的静态方法createWriter来选择格式。Reader作为桥接可以读取以上任何一种压缩格式。
CompressionCodec：
封装了关于流式压缩/解压缩的相关方法。
Mapper
Mapper 将输入的kv对映射成中间数据kv对集合。Maps 将输入记录转变为中间记录，其中被转化后的记录不必和输入记录类型相同。一个给定的输入对可以映射为0或者多个输出对。
在MRJob执行过程中，MapReduce框架根据提前指定的InputFormat(输入格式对象)产生InputSplit（输入分片），而每个InputSplit将会由一个map任务处理。
总起来讲，Mapper实现类通过JobConfigurable.configure(JobConf)方法传入JobConf对象来初始化，然后在每个map任务中调用map(WritableComparable,Writable,OutputCollector,Reporter)方法处理InputSplit的每个kv对。MR应用可以覆盖Closeable.close方法去处理一些必须的清理工作。
输出对不一定和输入对类型相同。一个给定的输入对可能映射成0或者很多的输出对。输出对是框架通过调用OutputCollector.colect(WritableComparable,Writable)得到。
MR应用可以使用Reporter汇报进度，设置应用层级的状态信息，更新计数器或者只是显示应用处于运行状态等。
所有和给定的输出key关联的中间数据都会随后被框架分组处理，并传给Reducer处理以产生最终的输出。用户可以通过JobConf.setOutputKeyComparatorClass(Class)指定一个Comparator控制分组处理过程。
Mapper输出都被排序后根据Reducer数量进行分区，分区数量等于reduce任务数量。用户可以通过实现自定义的Partitioner来控制哪些keys(记录)到哪个Reducer中去。
此外，用户还可以指定一个Combiner，调用JobConf.setCombinerClass(Class)来实现。这个可以来对map输出做本地的聚合，有助于减少从mapper到reducer的数据量。
经过排序的中间输出数据通常以一种简单的格式(key-len,key,value-len,value)存储在SequenceFile中。应用可以决定是否或者怎样被压缩以及压缩格式，可以通过JobConf来指定CompressionCodec.
如果job没有reducer，那么mapper的输出结果会不经过分组排序，直接写进FileSystem.
Map数
通常map数由输入数据总大小决定，也就是所有输入文件的blocks数目决定。
每个节点并行的运行的map数正常在10到100个。由于Map任务初始化本身需要一段时间所以map运行时间至少在1分钟为好。
如此，如果有10T的数据文件，每个block大小128M，最大使用为82000map数，除非使用setNumMapTasks(int)（这个方法仅仅对MR框架提供一个建议值）将map数值设置到更高。
Reducer
Reducer根据key将中间数据集合处理合并为更小的数据结果集。
用户可以通过JobConf.setNumReduceTasks(int)设置作业的reducer数目。
整体而言，Reducer实现类通过JobConfigurable.configure(JobConf)方法将JobConf对象传入,并为Job设置和初始化Reducer。MR框架调用 reduce(WritableComparable, Iterator, OutputCollector, Reporter) 来处理以key被分组的输入数据。应用可以覆盖Closeable.close()处理必要的清理操作。
Reducer由三个主要阶段组成:shuffle，sort，reduce。
shuffle
输入到Reducer的输入数据是Mapper已经排过序的数据.在shuffle阶段，根据partition算法获取相关的mapper地址，并通过Http协议将mapper的相应输出数据由reducer拉取到reducer机器上处理。
sort
框架在这个阶段会根据key对reducer的输入进行分组(因为不同的mapper输出的数据中可能含有相同的key)。
shuffle和sort是同时进行的，同时reducer仍然在拉取map的输出。
Secondary Sort
如果对中间数据key进行分组的规则和在处理化简阶段前对key分组规则不一致时，可以通过 JobConf.setOutputValueGroupingComparator(Class)设置一个Comparator。因为中间数据的分组策略是通过 JobConf.setOutputKeyComparatorClass(Class) 设置的，可以控制中间数据根据哪些key进行分组。而JobConf.setOutputValueGroupingComparator(Class)则可用于在数据连接情况下对value进行二次排序。
Reduce(化简)
这个阶段框架循环调用 reduce(WritableComparable, Iterator, OutputCollector, Reporter) 方法处理被分组的每个kv对。
reduce 任务一般通过 OutputCollector.collect(WritableComparable, Writable)将输出数据写入文件系统FileSystem。
应用可以使用Reporter汇报作业执行进度、设置应用层级的状态信息并更新计数器(Counter),或者只是提示作业在运行。
注意，Reducer的输出不会再进行排序。
Reducer数目
合适的reducer数目可以这样估算：
(节点数目mapred.tasktracker.reduce.tasks.maximum)乘以0.95 或 乘以1.75。
因子为0.95时，当所有map任务完成时所有reducer可以立即启动，并开始从map机器上拉取数据。因子为1.75时,最快的一些节点将完成第一轮reduce处理，此时框架开始启动第二轮reduce任务，这样可以达到比较好的作业负载均衡。
提高reduce数目会增加框架的运行负担，但有利于提升作业的负载均衡并降低失败的成本。
上述的因子使用最好在作业执行时框架仍然有reduce槽为前提，毕竟框架还需要对作业进行可能的推测执行和失败任务的处理。
不使用Reducer
如果不需要进行化简处理，可以将reduce数目设为0。
这种情况下，map的输出会直接写入到文件系统。输出路径通过setOutputPath(Path)指定。框架在写入数据到文件系统之前不再对map结果进行排序。
Partitioner
Partitioner对数据按照key进行分区，从而控制map的输出传输到哪个reducer上。默认的Partitioner算法是hash（哈希。分区数目由作业的reducer数目决定。
HashPartitioner 是默认的Partitioner。
Reporter
Reporter为MR应用提供了进度报告、应用状态信息设置，和计数器(Counter)更新等功能.
Mapper和Reducer实现可以使用Reporter汇报进度或者提示作业在正常运行。在一些场景下，应用在处理一些特殊的kv对时耗费了过多时间，这个可能会因为框架假定任务超时而强制停止了这些作业。为避免该情况，可以设置mapred.task.timeout 为一个比较高的值或者将其设置为0以避免超时发生。
应用也可以使用Reporter来更新计数(Counter)。
OutputCollector
OutputCollector是MR框架提供的通用工具来收集Mapper或者Reducer输出数据(中间数据或者最终结果数据)。
Hadoop MapReduce提供了一些经常使用的mapper、reducer和partioner的实现类供我们进行学习。
以上有关configuration和job的部分在新的API中有所改变，简单说就是在Mapper和Reducer中引入了MapContext和ReduceContext，它们封装了configuration和outputcollector，以及reporter。
1590
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
