hadoop （七）高级编程
MapReduce过程
- 输入（input）：将输入数据分成一个个split，并将split进一步拆除<key,value>的形式。
- 映射（map）：根据输入的<key,value>进行处理
- 合并（combiner）:合并中间相同的key值。
- 分区（partition）:将<key,value>分成N分，分别送到下一个环节。
- 化简（reduce）：将中间结果合并，得到最终结果。
- 输出（output）：负责输出最终结果。
其中3和4又称之为"洗牌"的过程。
从上述Word Count实例中，我们只是去个性化了 map 和 reduce 的过程。 combiner复用的reduce。下面我们来看下各个过程是如何自定义的。
自定义输入格式
输入格式（InputFormat）用于描述整个MapReduce作业的数据输入规范。先对输入的文件进行格式规范检查，如输入路径，后缀等检查；然后对数据文件进行输入分块（split）；再对数据块逐一读出；最后转换成Map所需要的<key, value>健值对。
系统中提供丰富的预置输入格式。最常用的以下两种：
TextInputFormat：系统默认的数据输入格式。将文件分块，并逐行读入，每一行记录行成一对<key, value>。其中，key值为当前行在整个文件中的偏移量，value值为这一行的文本内容。
KeyValueTextInputFormat：这是另一个常用的数据输入格式，读入的文本文件内容要求是以<key, value>形式。读出的结果也就直接形成<key, value>送入map函数中。
如果选择输入格式呢？那就只要在job函数中调用
job.setInputFormatClass(TextInputFormat.class);
在Hello中我们没有设定，系统默认选择了TextInputFormat。
一般情况够用了，但某些情况下，还是无法满足用户的需求，所以还是需要个性化。个性化则按下面的方式进行：
如果数据我们是来源于文件，则可以继承FileInputFormat：
public class MyInputFormat extends FileInputFormat<Text,Text> {
@Override
public RecordReader<Text, Text> createRecordReader(InputSplit split,
TaskAttemptContext context) throws IOException, InterruptedException {
return null;
}
}
如果数据我们是来源于非文件，如关系数据，则继承
public class MyInputFormat extends InputFormat<Text,Text> {
@Override
public RecordReader<Text, Text> createRecordReader(InputSplit arg0,
TaskAttemptContext arg1) throws IOException, InterruptedException {
// TODO Auto-generated method stub
return null;
}
@Override
public List<InputSplit> getSplits(JobContext arg0) throws IOException,
InterruptedException {
// TODO Auto-generated method stub
return null;
}
}
这里比较清晰了，下面个函数为拆分成split，上面个函数跟据split输出成Key,value。
定义map处理
这个好理解，我们的HelloWorld程序中就自定义了map处理函数。然后在job中指定了我们的处理类：
job.setMapperClass(TokenizerMapper.class);
能不能没有map呢？ 可以的，如果没有map，也就是这与上面的这个setMapperClass,则系统自动指定一个null，这时处理是将输入的<key,value>值，不作任何修改，直接送到下一环节中。
个性化代码如下：
public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable>{
public void map(Object key, Text value, Context context) throws IOException, InterruptedException {
context.write(key, value);
}
}
自定义合并Combiner
自定义合并Combiner类，主要目的是减少Map阶段输出中间结果的数据量，降低数据的网络传输开销。
Combine过程，实际跟Reduce过程相似，只是执行不同，Reduce是在Reducer环节运行，而Combine是紧跟着Map之后，在同一台机器上预先将结时进行一轮合并，以减少送到Reducer的数据量。所以在HelloWorld时，可以看到，Combiner和Reducer用的是同一个类：
job.setCombinerClass(IntSumReducer.class);
job.setReducerClass(IntSumReducer.class);
如何个性化呢，这个跟Reducer差不多了：
public static class MyCombiner extends Reducer<Text,IntWritable,Text,IntWritable{
public void reduce(Text key, Iterable<IntWritablevalues,Context context) throws IOException, InterruptedException {
context.write(key, new IntWritable(1));
}
}
自定义分区Partitioner
在MapReduce程序中，Partitioner决定着Map节点的输出将被分区到哪个Reduce节点。而默认的Partitioner是HashPartitioner，它根据每条数据记录的主健值进行Hash操作，获得一个非负整数的Hash码，然后用当前作业的Reduce节点数取模运算，有N个结点的话，就会平均分配置到N个节点上，一个隔一个依次。大多情况下这个平均分配是够用了，但也会有一些特殊情况，比如某个文件的，不能被拆开到两个结点中，这样就需要个性化了。
个性化方式如下：
public static class MyPartitioner extends HashPartitioner<K,V> {
public void getPartition(K key, V value,int numReduceTasks) {
super.getPartition(key,value,numReduceTasks);
}
}
方式其实就是在执行之前可以改变一下key，来欺骗这个hash表。
自定义化简(Reducer)
这一块是将Map送来的结果进行化简处理，并形成最终的输出值。与前面map一样，在HelloWorld中我们就见到过了。通过下面代码可以设置其值：
job.setReducerClass(IntSumReducer.class);
同样，也可以这样类可以不设置，如果不设置的话，就是把前面送来的值，直接送向输出格式器中。
如果要个性化，则如下：
public static class IntSumReducer extends Reducer<Text,IntWritable,Text,IntWritable> {
public void reduce(Text key, Iterable<IntWritable> values,Context context) throws IOException, InterruptedException {
context.write(key, result);
}
}
自定义输出格式
数据输出格式(OutPutFormat)用于描述MapReduce作业的数据输出规范。Hadoop提供了丰富的内置数据输出格式。最常的数据输出格式是TextOutputFormat，也是系统默认的数据输出格式，将结果以"key+\t+value"的形式逐行输出到文本文件中。还有其它的，如：DBOutputFormat,FileOutputFormat,FilterOutputFormat,IndexUpdataOutputFormat,LazyOutputFormat,MapFileOutputFormat,等等。
如果要个性化，则按下面方式进行：
public class MyOutputFormat extends OutputFormat<Text,Text> {
@Override
public void checkOutputSpecs(JobContext arg0) throws IOException,
InterruptedException {
// TODO Auto-generated method stub
}
@Override
public OutputCommitter getOutputCommitter(TaskAttemptContext arg0)
throws IOException, InterruptedException {
// TODO Auto-generated method stub
return null;
}
@Override
public RecordWriter<Text, Text> getRecordWriter(TaskAttemptContext arg0)
throws IOException, InterruptedException {
// TODO Auto-generated method stub
return null;
}
}
复合健——用户自定义类型。
从前面的整个过程中可以看到，都是采用key-value的方式进行传入传出，而这些类型大多是单一的字符串，和整型。如果我的key中需要包含多个信息怎么办？用字符串直接拼接么？ 太不方便了，最好能够自己定义一个类，作为这个key，这样就方便了。
如果定义一个类作为key 或value的类型？ 有什么要求？就是这个类型必须要继承WritableComparable<T>这个类，所以如果要自定义一个类型则可以这么实现：
public class MyType implements WritableComparable<MyType> {
private float x,y;
public float GetX(){return x;}
public float GetY(){return y;}
@Override
public void readFields(DataInput in) throws IOException {
x = in.readFloat();
y = in.readFloat();
}
@Override
public void write(DataOutput out) throws IOException {
out.writeFloat(x);
out.writeFloat(y);
}
@Override
public int compareTo(MyType arg0) {
//输入：-1（小于） 0（等于） 1（大于）
return 0;
}
}
这个示例中，我们添加了两个float变量：x,y 。 这个信息能过int 和out按次序进行输入输出。最后，再实现一个比较函数即可。
Job任务的创建
Job job = new Job(conf, "word count");
job.setJarByClass(WordCount.class);
job.setInputFormatClass(MyInputFormat.class);
job.setMapperClass(TokenizerMapper.class);
job.setCombinerClass(IntSumReducer.class);
job.setPartitionerClass(MyPartitioner.class);
job.setReducerClass(IntSumReducer.class);
job.setOutputFormatClass(TextOutputFormat.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
任务创建比较容易,其实就是new一个实例，然后把上面描述的过程类设置好，然后加上第2行中，jar包的主类，第10、11行的输入输出路径。这样就完事了。
Job任务的执行
单个任务的执行，没有什么问题，可以用这个：
job.waitForCompletion(true);
但多个任务呢？ 多个任务的话，就会形成其组织方式，有串行，有并行，有无关，有组合的，如下图：
图中，Job2和Job3将会等Job1执行完了再执行，且可以同时开始，而Job4必须等Job2和Job3同时结束后才结束。
这个组合，就可以采用这样的代码来实现：
Configuration conf = new Configuration();
Job job1 = new Job(conf, "job1");
//.. config Job1
Job job2 = new Job(conf, "job2");
//.. config Job2
Job job3 = new Job(conf, "job3");
//.. config Job3
Job job4 = new Job(conf, "job4");
//.. config Job4
//添加依赖关系
job2.addDependingJob(job1);
job3.addDependingJob(job1);
job4.addDependingJob(job2);
job4.addDependingJob(job3);
JobControl jc = new JobControl("jbo name");
jc.addJob(job1);
jc.addJob(job2);
jc.addJob(job3);
jc.addJob(job4);
jc.run();
总述
现在回头看看，其实整个hadoop编程，也就是这几块内容了，要实现某个功能，我们就往上面这些步骤上套，然后联起来执行，达到我们的目的。
