MapReduce的类型与格式

MapReduce的类型

默认的MR作业

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
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）
默认的reducer是Reducer类，它将所有的输入写到输出中
map任务的数量等于输入文件被划分成的块数
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
默认的输入格式是TexInputFormat，输出是TextOutpFormat

默认的streaming作业

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

InputSpilt接口（Java中的实现，开发人员不必直接处理InputSplit，因为它是由InputFormat创建的），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
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是MapReduce中一个很常用的概念，它在程序的运行中到底起到了什么作用呢？

InputFormat其实是一个接口，包含了两个方法：

public interface InputFormat<K, V> {
  InputSplit[] getSplits(JobConf job, int numSplits) throws IOException;
  RecordReader<K, V> getRecordReader(InputSplit split,
                                     JobConf job,
                                     Reporter reporter) throws IOException;
}

这两个方法有分别完成着以下工作：

方法getSplits将输入数据切分成splits，splits的个数即为map tasks的个数，splits的大小默认为块大小，即128M

方法getRecordReader将每个split解析成records, 再依次将record解析成<K,V>对

也就是说InputFormat完成以下工作：

InputFile --> splits --> <K,V> : map任务把输入分片传给InputFormat的createRecordReader()方法来获得这个分片的RecordReader, RecordReader就像是记录上的迭代器，map任务用一个RecordReader来生成记录的键-值对，然后再传递给map函数进行处理。

系统常用的 InputFormat 又有哪些呢？

在领会自定义 InputFormat 之前，需要弄懂一下几个抽象类、接口及其之间的关系：

InputFormat(interface), FileInputFormat(abstract class), TextInputFormat(class), RecordReader(interface), LineRecordReader(class)的关系

FileInputFormat implements InputFormat

TextInputFormat extends FileInputFormat

TextInputFormat.getRecordReader calls LineRecordReader

LineRecordReader implements RecordReader

对于InputFormat接口，上面已经有详细的描述

再看看FileInputFormat，它实现了InputFormat接口中的getSplits方法，而将getRecordReader与isSplitable留给具体类(如TextInputFormat)实现，isSplitable方法通常不用修改，所以只需要在自定义的InputFormat中实现

getRecordReader方法即可，而该方法的核心是调用LineRecordReader(即由LineRecorderReader类来实现 "将每个split解析成records, 再依次将record解析成<K,V>对")，该方法实现了接口RecordReader

public interface RecordReader<K, V> {
  boolean next(K key, V value) throws IOException;
  K createKey();
  V createValue();
  long getPos() throws IOException;
  public void close() throws IOException;
  float getProgress() throws IOException;
}

因此自定义InputFormat的核心是自定义一个实现接口RecordReader类似于LineRecordReader的类，该类的核心也正是重写接口RecordReader中的几大方法，

定义一个InputFormat的核心是定义一个类似于LineRecordReader的，自己的RecordReader

示例，数据每一行为 “物体，x坐标，y坐标，z坐标”

ball 3.5,12.7,9.0

car 15,23.76,42.23

device 0.0,12.4,-67.1

每一行将要被解析为<Text, Point3D>（Point3D是自定义的数据类型）

则自定义的ObjectPositionInputFormat 类的编写如下

public class ObjectPositionInputFormat extends FileInputFormat<Text, Point3D> {
  //如果是要指定的输入文件不被分片，则重写isSplitable()方法
  @override
  protected boolean isSplitable(JobContext context, Path file){
    return false;  /默认是true   false表示不分片 
  }
  @override
  public RecordReader<Text, Point3D> getRecordReader (InputSplit input, JobConf job, Reporter reporter)throws IOException {
    reporter.setStatus(input.toString());
    return new ObjPosRecordReader(job, (FileSplit)input);
  }
}