MapReduce的类型与格式

1. 默认的mapper是Ｍapper类，它将输入的键和值原封不动地写到输出中
2. 默认的partitioner是HashPartitioner，它对每条记录的键进行哈希操作以决定该记录应该属于哪个分区（每个分区对应于一个reduce任务）
3. 默认的reducer是Reducer类，它将所有的输入写到输出中
4. map任务的数量等于输入文件被划分成的块数
5. reduce任务的个数的选择： 一个经验法则是目标reducer保持在每个运行5分钟左右且产生至少一个HDFS块的输出比较合适
6. 默认的输入格式是TexInputFormat，输出是TextOutpFormat

输入格式

输入分片与记录

• 一个输入分片就是由单个map操作来处理的数据块，并且每一个map只处理一个分片、
• 每个输入分片分为若干个记录，每条记录就是 一个键值对，map将一个接一个地处理记录
• 输入分片和记录都是逻辑概念，不一定对应着文件，也可能对应其他数据形式，如对于数据库，输入分片就是对应于一个表上的若干行，一条记录对应着其中的一行

• 输入分片只是指向数据的引用，不包含数据本身

  1. InputSpilt接口（Java中的实现），包含
     • 以字节为单位的长度，表示分片的大小，用以 排序 分片，以便优先处理最大的分片，从而最小化作业运行时间
     • 一组存储位置，供MR系统使用一边将map任务尽可能放在分片数据附近
     • 该接口由InputFormat创建
  2. InputFormat
     • 运行作业的客户端使用getSplits方法计算分片，并将结果告知application master，后者使用其存储信息来调度map任务从而在集群集群上处理这些分片数据
     • map任务将输入分片传给createRecordReader方法来获取这个分片的RecordReader（就像是记录上的迭代器），map任务用这个RecordReader来生成记录的键值对，然后再将键值对传递给map函数（参见run方法）

/////InputFormat接口
public abstract class InputFormat<K, V> {
    public abstract List<InputSplit> getSplits(JobContext context) throws IOException, InterruptedException;
    public abstract RecordReader<K, V> createRecordReader(InputSplit split, TaskAttemptContext context) throws IOException, InterruptedException;
}

/////Mapper的run方法
public void run(Context context) throws IOException, InterruptedException {
    setup(context);
    while (context.nextKeyValue()/*委托给RecorReader的同名方法，为mapper产生键值对*/) {
        map(context.getCurrentKey(), context.getCurrentValue(), context);//从RecordReader中检索出并传递给map方法
    }
    cleanup(context);
}

文件输入–FileInputFormat

1. FileInputFormat类提供两个功能：
   • 指出作业的输入文件位置
   • 实现了为输入文件产生输入分片的功能（把分片切割成记录的功能由其子类完成）
     

2. 输入路径

   public static void addInputPath(Job job, Path path)
public static void addInputPaths(Job job, String commaSeparatedPaths)
public static void setInputPaths(Job job, Path... inputPaths)
   

   public static void setInputPaths(Job job, String commaSeparatedPaths)

   • 前两者用于加入一个或多个路径到路径列表中，后两者一次设定完整的路径列表（replacing any paths set on the Job in previous calls）
   • 一条路径可以是文件、目录或者glob（文件和目录的结合），但是目录在默认情况下不会进行递归处理，如果目录下存在子目录，则要么采用glob的形式，要么设置过滤器过滤子目录（因为子目录会被当作文件而报错），或者更改属性设置让其可以递归处理
   • FileInputFormat有默认过滤器，用以过滤隐藏文件（自定义的过滤器会和这个默认的一起工作）

3. 输入分片： FileInputFormat只分割大文件（超过块的大小）

   max(minimumSize, min(maximumSize, blockSize))
   minimumSize < blockSize < maximumSize
   

4. 小文件与CombineFileInputFormat

   • CombineFileInputFormat类可以把多个文件打包到一个分片中（在决定将哪些块放到同一分片时，会考虑节点和机架的因素）
5. 避免切分
   • 设置最小分片大小以避免切分、
   • 重写isSplitable方法
6. mapper中文件信息
   • 调用Mapper类中Context对象的getInputSplit方法来获得InputSplit，对于FileInputFormat，它会被转成FileSplit
   • 注意此处的getInputSplit方法和InputFormat中的getSplit方法，后者是用于为整个输入计算分片，而前者是为某个mapper获取该输入分片的相关信息
     

7. 把整个文件作为一条记录处理

   • 即便不分割文件，仍然需要一个RecordReader来读取文件内容作为record的值
   • WholeFileRecordReader,java

文本输入–TextInputFormat

Hadoop非常擅长处理非结构化文本数据

1. TextInputFormat是默认的InputFormat

   • 每条记录是一条输入，键是LongWritable，存储该行在整个文件中的字节偏移量，值是该行的内容（不包括任何行终止符）
   • 由于此处的逻辑记录是以行为单位的，因而可能出现某一行会跨文件块存放，从未会为‘本地化’的map任务带来远程读操作的开销（这是因为分片是和行对齐的而不是hdfs块，参考图示）
   • 

2. 控制一行最大的长度

   • 目的是应对损坏的文件，文件的损坏可能对应一个超长行，从而导致内存溢出
   • 长度通过属性mapreduce.input.linerecordreader.line.maxlength设置

3. 关于KeyValueTextInputFFormat

   • 目的是应对那些每行内容是一个键值对的文件（之所以是键值对，是因为它经过了一些操作，比如TextOutputFormat的输出就会将键值对写入文件，两者之间使用分隔符分开）
   • 所以使用时要指定键值对之间的分隔符，默认是制表符（属性mapreduce.input.keyvaluelinere cordreader.key.value.separator），且保持原来的键而不是使用偏移量作为键

4. 关于NLineInputFormat

   • 一般每个mapper收到的行数不同（行数取决于分片大小和行长度），通过该类可是使每个mapper收到的行数相同
   • 键是文件中行的字节偏移量，值是行本身
   • 应用场景
     • 仿真
     • 用Hadoop引导从多个数据源（如数据库）加载数据，每行一个数据源
5. 关于xml
   • StreamXmlReccordReader