MapReduce进阶笔记2
7. 自定义分区
7.1 分区原理
-
根据之前讲的shuffle,我们知道在map任务中,从环形缓冲区溢出写磁盘时,会先对kv对数据进行分区操作
-
分区操作是由MR中的分区器负责的
-
MapReduce有自带的默认分区器
- HashPartitioner
- 关键方法getPartition返回当前键值对的分区索引(partition index)
public class HashPartitioner<K2, V2> implements Partitioner<K2, V2> { public void configure(JobConf job) {} /** Use {@link Object#hashCode()} to partition. */ public int getPartition(K2 key, V2 value, int numReduceTasks) { return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks; } }
-
环形缓冲区溢出写磁盘前,将每个kv对,作为getPartition()的参数传入;
-
先对键值对中的key求hash值(int类型),与MAX_VALUE按位与;再模上reduce task个数,假设reduce task个数设置为4(可在程序中使用job.setNumReduceTasks(4)指定reduce task个数为4)
- 那么map任务溢出文件有4个分区,分区index分别是0、1、2、3
- getPartition()结果有四种:0、1、2、3
- 根据计算结果,决定当前kv对,落入哪个分区,如结果是0,则当前kv对落入溢出文件的0分区中
- 最终被相应的reduce task通过http获得
-
若是MR默认分区器,不满足需求;可根据业务逻辑,设计自定义分区器,比如实现图上的功能
7.2 默认分区
程序执行略
代码详见工程com.wph.hadoop.partitioner包
-
MR读取三个文件part1.txt、part2.txt、part3.txt;三个文件放到HDFS目录:/customParttitioner中
-
part1.txt内容如下:
Dear Bear River Dear Car
-
part2.txt内容如下:
Car Car River Dear Bear
-
part3.txt内容如下:
Dear Car Bear Car Car
-
默认HashPartitioner分区时,查看结果(看代码)
-
运行参数:
/customParttitioner /cp01
- 打jar包运行,结果如下:
只有part-r-00001、part-r-00003有数据;另外两个没有数据
HashPartitioner将Bear分到index=1的分区;将Car|Dear|River分到index=3分区
7.3 自定义分区
7.3.1 需求
- 自定义分区,使得文件中,分别以Dear、Bear、River、Car为键的键值对,分别落到index是0、1、2、3的分区中
7.3.2 逻辑分析
- 若要实现以上的分区策略,需要自定义分区类
- 此类实现Partitioner接口
- 在getPartition()中实现分区逻辑
- main方法中
- 设定reduce个数为4
- 设置自定义的分区类,调用job.setPartitionerClass方法
7.3.3 MR代码
完整代码见代码工程
- 自定义分区类如下
package com.wph.hadoop.partitioner;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Partitioner;
import java.util.HashMap;
public class CustomPartitioner extends Partitioner<Text, IntWritable> {
public static HashMap<String, Integer> dict = new HashMap<String, Integer>();
//定义每个键对应的分区index,使用map数据结构完成
static{
dict.put("Dear", 0);
dict.put("Bear", 1);
dict.put("River", 2);
dict.put("Car", 3);
}
public int getPartition(Text text, IntWritable intWritable, int i) {
//
int partitionIndex = dict.get(text.toString());
return partitionIndex;
}
}
- 运行结果
结果满足需求
7.4 总结
- 如果默认分区器不满足业务需求,可以自定义分区器
- 自定义分区器的类继承Partitioner类
- 覆写getPartition(),在方法中,定义自己的分区策略
- 在main()方法中调用job.setPartitionerClass()
- main()中设置reduce任务数
8. 自定义Combiner
8.1 需求
-
普通的MR是reduce通过http,取得map任务的分区结果;具体的聚合出结果是在reduce端进行的;
-
以单词计数为例:
- 第一个map任务(map1),本地磁盘中的结果有5个键值对:(Dear, 1)、(Bear, 1)、(River, 1)、(Dear, 1)、(Car, 1)
- 其中,map1中的两个相同的键值对(Dear, 1)、(Dear, 1),会被第一个reduce任务(reduce1)通过网络拉取到reduce1端
- 那么假设map1中(Dear, 1)有1亿个呢?按原思路,map1端需要存储1亿个(Dear, 1),再将1亿个(Dear, 1)通过网络被reduce1获得,然后再在reduce1端汇总
- 这样做map端本地磁盘IO、数据从map端到reduce端传输的网络IO比较大
- 那么想,能不能在reduce1从map1拉取1亿个(Dear, 1)之前,在map端就提前先做下reduce汇总,得到结果(Dear, 100000000),然后再将这个结果(一个键值对)传输到reduce1呢?
- 答案是可以的
- 我们称之为combine操作
-
map端combine本地聚合(本质是reduce)
8.2 逻辑分析
-
注意:
-
不论运行多少次Combine操作,都不能影响最终的结果
-
并非所有的mr都适合combine操作,比如求平均值
-
-
当每个map任务的环形缓冲区添满80%,开始溢写磁盘文件
-
此过程会分区、每个分区内按键排序、再combine操作(若设置了combine的话)、若设置map输出压缩的话则再压缩
- 在合并溢写文件时,如果至少有3个溢写文件,并且设置了map端combine的话,会在合并的过程中触发combine操作;
- 但是若只有2个或1个溢写文件,则不触发combine操作(因为combine操作,本质上是一个reduce,需要启动JVM虚拟机,有一定的开销)
-
combine本质上也是reduce;因为自定义的combine类继承自Reducer父类
-
map: (K1, V1) -> list(K2, V2)
-
combiner: (K2, list(V2)) -> (K2, V2)
-
reduce: (K2, list(V2)) -> (K3, V3)
- reduce函数与combine函数通常是一样的
- K3与K2类型相同;
- V3与V2类型相同
- 即reduce的输入的kv类型分别与输出的kv类型相同
8.3 MR代码
对原词频统计代码做修改;
详细代码见代码工程
- WordCountMap、WordCountReduce代码保持不变
- 唯一需要做的修改是在WordCountMain中,增加job.setCombinerClass(WordCountReduce.class);
- 修改如下:
8.4 小结
- 使用combine时,首先考虑当前MR是否适合combine
- 总原则是不论使不使用combine不能影响最终的结果
- 在MR时,发生数据倾斜,且可以使用combine时,可以使用combine缓解数据倾斜
9. MR压缩
9.1 需求
- 作用:在MR中,为了减少磁盘IO及网络IO,可考虑在map端、reduce端设置压缩功能
- 给“MapReduce编程:用户搜索次数”代码,增加压缩功能
9.2 逻辑分析
- 那么如何设置压缩功能呢?只需在main方法中,给Configuration对象增加如下设置即可
//开启map输出进行压缩的功能
configuration.set("mapreduce.map.output.compress", "true");
//设置map输出的压缩算法是:BZip2Codec,它是hadoop默认支持的压缩算法,且支持切分
configuration.set("mapreduce.map.output.compress.codec", "org.apache.hadoop.io.compress.BZip2Codec");
//开启job输出压缩功能
configuration.set("mapreduce.output.fileoutputformat.compress", "true");
//指定job输出使用的压缩算法
configuration.set("mapreduce.output.fileoutputformat.compress.codec", "org.apache.hadoop.io.compress.BZip2Codec");
9.3 MR代码
-
给“MapReduce编程:用户搜索次数”代码,增加压缩功能,代码如下
如何打jar包,已演示过,此处不再赘述
package com.wph.hadoop.mrcompress;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.io.IOException;
/**
* 本MR示例,用于统计每个用户搜索并查看URL链接的次数
*/
public class UserSearchCount {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
//判断以下,输入参数是否是两个,分别表示输入路径、输出路径
if (args.length != 2 || args == null) {
System.out.println("please input Path!");
System.exit(0);
}
Configuration configuration = new Configuration();
//configuration.set("mapreduce.job.jar","/home/hadoop/IdeaProjects/Hadoop/target/com.wph.hadoop-1.0-SNAPSHOT.jar");
//开启map输出进行压缩的功能
configuration.set("mapreduce.map.output.compress", "true");
//设置map输出的压缩算法是:BZip2Codec,它是hadoop默认支持的压缩算法,且支持切分
configuration.set("mapreduce.map.output.compress.codec", "org.apache.hadoop.io.compress.BZip2Codec");
//开启job输出压缩功能
configuration.set("mapreduce.output.fileoutputformat.compress", "true");
//指定job输出使用的压缩算法
configuration.set("mapreduce.output.fileoutputformat.compress.codec", "org.apache.hadoop.io.compress.BZip2Codec");
//调用getInstance方法,生成job实例
Job job = Job.getInstance(configuration, UserSearchCount.class.getSimpleName());
//设置jar包,参数是包含main方法的类
job.setJarByClass(UserSearchCount.class);
//通过job设置输入/输出格式
//MR的默认输入格式是TextInputFormat,所以下两行可以注释掉
// job.setInputFormatClass(TextInputFormat.class);
// job.setOutputFormatClass(TextOutputFormat.class);
//设置输入/输出路径
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
// FileOutputFormat.setCompressOutput(job, true);
// FileOutputFormat.setOutputCompressorClass(job, BZip2Codec.class);
//设置处理Map阶段的自定义的类
job.setMapperClass(SearchCountMapper.class);
//设置map combine类,减少网路传出量
//job.setCombinerClass(WordCountReduce.class);
//设置处理Reduce阶段的自定义的类
job.setReducerClass(SearchCountReducer.class);
//如果map、reduce的输出的kv对类型一致,直接设置reduce的输出的kv对就行;如果不一样,需要分别设置map, reduce的输出的kv类型
//注意:此处设置的map输出的key/value类型,一定要与自定义map类输出的kv对类型一致;否则程序运行报错
// job.setMapOutputKeyClass(Text.class);
// job.setMapOutputValueClass(IntWritable.class);
//设置reduce task最终输出key/value的类型
//注意:此处设置的reduce输出的key/value类型,一定要与自定义reduce类输出的kv对类型一致;否则程序运行报错
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
// 提交作业
job.waitForCompletion(true);
}
public static class SearchCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
//定义共用的对象,减少GC压力
Text userIdKOut = new Text();
IntWritable vOut = new IntWritable(1);
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//获得当前行的数据
//样例数据:20111230111645 169796ae819ae8b32668662bb99b6c2d 塘承高速公路规划线路图 1 1 http://auto.ifeng.com/roll/20111212/729164.shtml
String line = value.toString();
//切分,获得各字段组成的数组
String[] fields = line.split("\t");
//因为要统计每个user搜索并查看URL的次数,所以将userid放到输出key的位置
//注意:MR编程中,根据业务需求设计key是很重要的能力
String userid = fields[1];
//设置输出的key的值
userIdKOut.set(userid);
//输出结果
context.write(userIdKOut, vOut);
}
}
public static class SearchCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
//定义共用的对象,减少GC压力
IntWritable totalNumVOut = 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();
}
//设置当前user搜索并查看总次数
totalNumVOut.set(sum);
context.write(key, totalNumVOut);
}
}
}
- 生成jar包,并运行jar包
[hadoop@node01 target]$ hadoop jar com.wph.hadoop-1.0-SNAPSHOT.jar com.wph.hadoop.mrcompress.UserSearchCount /sogou.2w.utf8 /compressed
-
查看结果
可增加数据量,查看使用压缩算法前后的系统各计数器的数据量变化
[hadoop@node01 target]$ hadoop fs -ls -h /compressed
9.4 总结
- MR过程中使用压缩可减少数据量,进而减少磁盘IO、网络IO数据量
- 可设置map端输出的压缩
- 可设置job最终结果的压缩
- 通过相应的配置项即可实现
10. 自定义InputFormat
10.1 MapReduce执行过程
-
map任务是如何从hdfs读取分片数据的部分
-
涉及3个关键的类
-
①InputFormat输入格式类
②InputSplit输入分片类:getSplits()
- InputFormat输入格式类将输入文件分成一个个分片InputSplit
- 每个Map任务对应一个split分片
③RecordReader记录读取器类:createRecordReader()
- RecordReader(记录读取器)读取分片数据,一行记录生成一个键值对
- 传入map任务的map()方法,调用map()
-
-
所以,如果需要根据自己的业务情况,自定义输入的话,需要自定义两个类:
- InputFormat类
- RecordReader类
-
详细流程:
-
客户端调用InputFormat的**getSplits()**方法,获得输入文件的分片信息
-
针对每个MR job会生成一个相应的app master,负责map\reduce任务的调度及监控执行情况
-
将分片信息传递给MR job的app master
-
app master根据分片信息,尽量将map任务尽量调度在split分片数据所在节点(移动计算不移动数据)
-
有几个分片,就生成几个map任务
-
每个map任务将split分片传递给createRecordReader()方法,生成此分片对应的RecordReader
-
RecordReader用来读取分片的数据,生成记录的键值对
- nextKeyValue()判断是否有下一个键值对,如果有,返回true;否则,返回false
- 如果返回true,调用getCurrentKey()获得当前的键
- 调用getCurrentValue()获得当前的值
-
map任务运行过程
-
map任务运行时,会调用run()
-
首先运行一次setup()方法;只在map任务启动时,运行一次;一些初始化的工作可以在setup方法中完成;如要连接数据库之类的操作
-
while循环,调用context.nextKeyValue();会委托给RecordRecord的nextKeyValue(),判断是否有下一个键值对
-
如果有下一个键值对,调用context.getCurrentKey()、context.getCurrentValue()获得当前的键、值的值(也是调用RecordReader的同名方法)
-
作为参数传入map(key, value, context),调用一次map()
-
当读取分片尾,context.nextKeyValue()返回false;退出循环
-
调用cleanup()方法,只在map任务结束之前,调用一次;所以,一些回收资源的工作可在此方法中实现,如关闭数据库连接
-
-
10.2 需求
- 无论hdfs还是mapreduce,处理小文件都有损效率,实践中,又难免面临处理大量小文件的场景,此时,就需要有相应解决方案
10.3 逻辑分析
- 小文件的优化无非以下几种方式:
- 在数据采集的时候,就将小文件或小批数据合成大文件再上传HDFS(SequenceFile方案)
- 在业务处理之前,在HDFS上使用mapreduce程序对小文件进行合并;可使用自定义InputFormat实现
- 在mapreduce处理时,可采用CombineFileInputFormat提高效率
- 本例使用第二种方案,自定义输入格式
10.4 MR代码
-
自定义InputFormat
package com.wph.hadoop.inputformat; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.BytesWritable; import org.apache.hadoop.io.NullWritable; import org.apache.hadoop.mapreduce.InputSplit; import org.apache.hadoop.mapreduce.JobContext; import org.apache.hadoop.mapreduce.RecordReader; import org.apache.hadoop.mapreduce.TaskAttemptContext; import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; import java.io.IOException; /** * 自定义InputFormat类; * 泛型: * 键:因为不需要使用键,所以设置为NullWritable * 值:值用于保存小文件的内容,此处使用BytesWritable */ public class WholeFileInputFormat extends FileInputFormat<NullWritable, BytesWritable> { /** * * 返回false,表示输入文件不可切割 * @param context * @param file * @return */ @Override protected boolean isSplitable(JobContext context, Path file) { return false; } /** * 生成读取分片split的RecordReader * @param split * @param context * @return * @throws IOException * @throws InterruptedException */ @Override public RecordReader<NullWritable, BytesWritable> createRecordReader(InputSplit split, TaskAttemptContext context) throws IOException,InterruptedException { //使用自定义的RecordReader类 WholeFileRecordReader reader = new WholeFileRecordReader(); //初始化RecordReader reader.initialize(split, context); return reader; } }
-
自定义RecordReader
实现6个相关方法
package com.wph.hadoop.inputformat; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.FSDataInputStream; import org.apache.hadoop.fs.FileSystem; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.BytesWritable; import org.apache.hadoop.io.IOUtils; import org.apache.hadoop.io.NullWritable; import org.apache.hadoop.mapreduce.InputSplit; import org.apache.hadoop.mapreduce.RecordReader; import org.apache.hadoop.mapreduce.TaskAttemptContext; import org.apache.hadoop.mapreduce.lib.input.FileSplit; import java.io.IOException; /** * * RecordReader的核心工作逻辑: * 通过nextKeyValue()方法去读取数据构造将返回的key value * 通过getCurrentKey 和 getCurrentValue来返回上面构造好的key和value * * @author */ public class WholeFileRecordReader extends RecordReader<NullWritable, BytesWritable> { //要读取的分片 private FileSplit fileSplit; private Configuration conf; //读取的value数据 private BytesWritable value = new BytesWritable(); /** * * 标识变量,分片是否已被读取过;因为小文件设置成了不可切分,所以一个小文件只有一个分片; * 而这一个分片的数据,只读取一次,一次读完所有数据 * 所以设置此标识 */ private boolean processed = false; /** * 初始化 * @param split * @param context * @throws IOException * @throws InterruptedException */ @Override public void initialize(InputSplit split, TaskAttemptContext context) throws IOException, InterruptedException { this.fileSplit = (FileSplit) split; this.conf = context.getConfiguration(); } /** * 判断是否有下一个键值对。若有,则读取分片中的所有的数据 * @return * @throws IOException * @throws InterruptedException */ @Override public boolean nextKeyValue() throws IOException, InterruptedException { if (!processed) { byte[] contents = new byte[(int) fileSplit.getLength()]; Path file = fileSplit.getPath(); FileSystem fs = file.getFileSystem(conf); FSDataInputStream in = null; try { in = fs.open(file); IOUtils.readFully(in, contents, 0, contents.length); value.set(contents, 0, contents.length); } finally { IOUtils.closeStream(in); } processed = true; return true; } return false; } /** * 获得当前的key * @return * @throws IOException * @throws InterruptedException */ @Override public NullWritable getCurrentKey() throws IOException, InterruptedException { return NullWritable.get(); } /** * 获得当前的value * @return * @throws IOException * @throws InterruptedException */ @Override public BytesWritable getCurrentValue() throws IOException, InterruptedException { return value; } /** * 获得分片读取的百分比;因为如果读取分片数据的话,会一次性的读取完;所以进度要么是1,要么是0 * @return * @throws IOException */ @Override public float getProgress() throws IOException { //因为一个文件作为一个整体处理,所以,如果processed为true,表示已经处理过了,进度为1;否则为0 return processed ? 1.0f : 0.0f; } @Override public void close() throws IOException { } }
-
main方法
package com.wph.hadoop.inputformat; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.conf.Configured; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.BytesWritable; import org.apache.hadoop.io.NullWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.InputSplit; import org.apache.hadoop.mapreduce.Job; import org.apache.hadoop.mapreduce.Mapper; import org.apache.hadoop.mapreduce.lib.input.FileSplit; import org.apache.hadoop.mapreduce.lib.output.SequenceFileOutputFormat; import org.apache.hadoop.util.Tool; import org.apache.hadoop.util.ToolRunner; import java.io.IOException; /** * 让主类继承Configured类,实现Tool接口 * 实现run()方法 * 将以前main()方法中的逻辑,放到run()中 * 在main()中,调用ToolRunner.run()方法,第一个参数是当前对象;第二个参数是输入、输出 */ public class SmallFiles2SequenceFile extends Configured implements Tool { /** * 自定义Mapper类 * mapper类的输入键值对类型,与自定义InputFormat的输入键值对保持一致 * mapper类的输出的键值对类型,分别是文件名、文件内容 */ static class SequenceFileMapper extends Mapper<NullWritable, BytesWritable, Text, BytesWritable> { private Text filenameKey; /** * 取得文件名 * @param context * @throws IOException * @throws InterruptedException */ @Override protected void setup(Context context) throws IOException, InterruptedException { InputSplit split = context.getInputSplit(); //获得当前文件路径 Path path = ((FileSplit) split).getPath(); filenameKey = new Text(path.toString()); } @Override protected void map(NullWritable key, BytesWritable value, Context context) throws IOException, InterruptedException { context.write(filenameKey, value); } } public int run(String[] args) throws Exception { Configuration conf = new Configuration(); Job job = Job.getInstance(conf,"combine small files to sequencefile"); job.setJarByClass(SmallFiles2SequenceFile.class); //设置自定义输入格式 job.setInputFormatClass(WholeFileInputFormat.class); WholeFileInputFormat.addInputPath(job,new Path(args[0])); //设置输出格式SequenceFileOutputFormat及输出路径 job.setOutputFormatClass(SequenceFileOutputFormat.class); SequenceFileOutputFormat.setOutputPath(job,new Path(args[1])); job.setOutputKeyClass(Text.class); job.setOutputValueClass(BytesWritable.class); job.setMapperClass(SequenceFileMapper.class); return job.waitForCompletion(true) ? 0 : 1; } public static void main(String[] args) throws Exception { int exitCode = ToolRunner.run(new SmallFiles2SequenceFile(), args); System.exit(exitCode); } }
10.5 总结
- 若要自定义InputFormat的话
- 需要自定义InputFormat类,并覆写getRecordReader()方法
- 自定义RecordReader类,实现方法
- initialize()
- nextKeyValue()
- getCurrentKey()
- getCurrentValue()
- getProgress()
- close()
11. 自定义OutputFormat
11.1 需求
-
现在有一些订单的评论数据,要将订单的好评与其它级别的评论进行区分开来,将最终的数据分开到不同的文件夹下面去
-
数据第九个字段表示好评,中评,差评。0:好评,1:中评,2:差评
11.2 逻辑分析
- 程序的关键点是在一个mapreduce程序中,根据数据的不同(好评的评级不同),输出两类结果到不同目录
- 这类灵活的输出需求可以通过自定义outputformat来实现
11.3 实现要点
- 在mapreduce中访问外部资源
- 自定义outputformat,覆写getRecordWriter()方法
- 自定义RecordWriter,覆写具体输出数据的方法write()
11.4 MR代码
- 自定义OutputFormat
package com.wph.hadoop.outputformat;
import org.apache.hadoop.fs.FSDataOutputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
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;
/**
* 泛型表示reduce输出的键值对类型;要保持一致
*/
public class MyOutPutFormat extends FileOutputFormat<Text, NullWritable> {
//两个输出文件
String path1 = "hdfs://node01:9000/outputformat/out1/r.txt";
String path2 = "hdfs://node01:9000/outputformat/out2/r.txt";
/**
*
* @param context
* @return
* @throws IOException
* @throws InterruptedException
*/
@Override
public RecordWriter<Text, NullWritable> getRecordWriter(TaskAttemptContext context) throws IOException, InterruptedException {
FileSystem fs = FileSystem.get(context.getConfiguration());
Path enhancePath = new Path(path1);
Path toCrawlPath = new Path(path2);
FSDataOutputStream enhanceOut = fs.create(enhancePath);
FSDataOutputStream toCrawlOut = fs.create(toCrawlPath);
return new MyRecordWriter(enhanceOut,toCrawlOut);
}
/**
* 泛型表示reduce输出的键值对类型;要保持一致
*/
static class MyRecordWriter extends RecordWriter<Text, NullWritable>{
FSDataOutputStream enhanceOut = null;
FSDataOutputStream toCrawlOut = null;
public MyRecordWriter(FSDataOutputStream enhanceOut, FSDataOutputStream toCrawlOut) {
this.enhanceOut = enhanceOut;
this.toCrawlOut = toCrawlOut;
}
/**
* 自定义输出kv对逻辑
* @param key
* @param value
* @throws IOException
* @throws InterruptedException
*/
@Override
public void write(Text key, NullWritable value) throws IOException, InterruptedException {
if (key.toString().split("\t")[9].equals("0")){
toCrawlOut.write(key.toString().getBytes());
//TODO
toCrawlOut.write("\r\n".getBytes());
}else{
enhanceOut.write(key.toString().getBytes());
enhanceOut.write("\r\n".getBytes());
}
}
/**
* 关闭流
* @param context
* @throws IOException
* @throws InterruptedException
*/
@Override
public void close(TaskAttemptContext context) throws IOException, InterruptedException {
if(toCrawlOut!=null){
toCrawlOut.close();
}
if(enhanceOut!=null){
enhanceOut.close();
}
}
}
}
- main方法
package com.wph.hadoop.outputformat;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;
import java.io.IOException;
public class MyOwnOutputFormatMain extends Configured implements Tool {
public int run(String[] args) throws Exception {
Configuration conf = super.getConf();
Job job = Job.getInstance(conf, MyOwnOutputFormatMain.class.getSimpleName());
job.setJarByClass(MyOwnOutputFormatMain.class);
job.setInputFormatClass(TextInputFormat.class);
//设置输入文件
TextInputFormat.addInputPath(job,new Path(args[0]));
job.setMapperClass(MyOwnMapper.class);
//job.setMapOutputKeyClass(Text.class);
//job.setMapOutputValueClass(NullWritable.class);
//设置自定义的输出类
job.setOutputFormatClass(MyOutPutFormat.class);
//设置一个输出目录,这个目录会输出一个success的成功标志的文件
MyOutPutFormat.setOutputPath(job,new Path(args[1]));
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(NullWritable.class);
//默认项,所以可以省略
// job.setNumReduceTasks(1);
// //Reducer将输入的键值对原样输出
// job.setReducerClass(Reducer.class);
boolean b = job.waitForCompletion(true);
return b?0:1;
}
public static class MyOwnMapper extends Mapper<LongWritable,Text,Text,NullWritable> {
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//String[] split = value.toString().split("\t");
//String commentStatus = split[9];
context.write(value,NullWritable.get());
}
}
public static void main(String[] args) throws Exception {
Configuration configuration = new Configuration();
ToolRunner.run(configuration,new MyOwnOutputFormatMain(),args);
}
}
11.5 总结
-
自定义outputformat
- 泛型与reduce输出的键值对类型保持一致
- 覆写getRecordWriter()方法
-
自定义RecordWriter
- 泛型与reduce输出的键值对类型保持一致
- 覆写具体输出数据的方法write()、close()
-
main方法
- job.setOutputFormatClass使用自定义在输出类