Hadoop学习笔记（一）：MapReduce的输入格式

    Hadoop学习有一段时间了，但是缺乏练手的项目，老是学了又忘。想想该整理一个学习笔记啥的，这年头打字比写字方便。果断开博客，咩哈哈~~

    开场白结束（木有文艺细胞）

    默认的MapReduce作业

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.Text;
import org.apache.hadoop.mapred.FileInputFormat;
import org.apache.hadoop.mapred.FileOutputFormat;
import org.apache.hadoop.mapred.JobClient;
import org.apache.hadoop.mapred.JobConf;
import org.apache.hadoop.mapred.MapRunner;
import org.apache.hadoop.mapred.TextInputFormat;
import org.apache.hadoop.mapred.lib.HashPartitioner;
import org.apache.hadoop.mapred.lib.IdentityMapper;
import org.apache.hadoop.mapred.lib.IdentityReducer;

import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;

public class MinimalMapReducewithDefaults extends Configured implements Tool {

    @Override
    public int run(String[] arg0) throws Exception {
        JobConf conf = JobBuilder.parseInputAndOutput(this, getConf(), arg0);
        if (conf == null) {
            return -1;
        }
        conf.setInputFormat(TextInputFormat.class);
        conf.setNumMapTasks(1);
        conf.setMapperClass(IdentityMapper.class);
        conf.setMapRunnerClass(MapRunner.class);

        conf.setMapOutputKeyClass(LongWritable.class);
        conf.setMapOutputValueClass(Text.class);

        conf.setPartitionerClass(HashPartitioner.class);
        conf.setReducerClass(IdentityReducer.class);

        conf.setOutputKeyClass(LongWritable.class);
        conf.setOutputValueClass(Text.class);

        JobClient.runJob(conf);
        return 0;
    }

    /**
     * @param args
     */
    public static void main(String[] args) throws Exception {
        int exitCode = ToolRunner.run(new MinimalMapReducewithDefaults(), args);
        System.exit(exitCode);
        //hdfs://192.168.174.128:9000/user/root/input/Temperature.txt hdfs://192.168.174.128:9000/user/root/output/test00001
    }

    public static class JobBuilder {
        public static JobConf parseInputAndOutput(Tool tool,
                Configuration conf, String[] args) {
            if (args.length != 2) {
                printUsage(tool, "<inout> <output>");
                return null;
            }
            JobConf jobConf = new JobConf(conf, tool.getClass());
            FileInputFormat.addInputPath(jobConf, new Path(args[0]));
            FileOutputFormat.setOutputPath(jobConf, new Path(args[1]));

            return jobConf;
        }

        public static void printUsage(Tool tool, String extraArgsUsage) {
            System.err.printf("Usage: % [genericOptions] %s\n\n", tool
                    .getClass().getSimpleName(), extraArgsUsage);
        }
    }
}

       这些个默认设置都不需要显式的设置，但是需要知道默认设置的是啥，贴出来省的忘记了。要注意的是：

       1） conf.setInputFormat(TextInputFormat.class);  默认的输入格式；

       2） conf.setMapOutputKeyClass(LongWritable.class); conf.setMapOutputValueClass(Text.class); 默认的map输出格式，其实就是将原样输出而已；

       3） conf.setPartitionerClass(HashPartitioner.class); 默认的分区函数，没有特殊操作都会使用这个了。具体算法是：return (key.hashCode()&Integer.Max_VALUE)%numPartitions;

       4） conf.setOutputKeyClass(LongWritable.class); conf.setOutputValueClass(Text.class);还是原样输出的格式。

      输入分片

     一个输入分片（split）是指由单个map处理的输入块，每个map操作之处理一个输入分片。

     包含一个一字节为单位的长度和一组存储位置（即一组主机名）。

     inputsplit由inputformat创建。inputformat负责产生输入分片并将它们分割成记录。

     FileInputFormat类

    所有使用文件作为其数据源的inputformat实现的基类。

     提供两个功能：  1）定义哪些文件包含在一个作业的输入中；

                           2）未输入文件生成分片的实现。

    输入分片大小： 由最小分片大小、最大分片大小、块大小决定。分片大小在[最小分片大小，最大分片大小]区间内，且取最接近块大小的值。

    FileInputFormat的子类：TextInputFormat（默认类型，键是LongWritable类型，值为Text类型，key为当前行在文件中的偏移量，value为当前行本身）；

                                     KeyValueTextInputFormat(适合文件自带key，value的情况，只要指定分隔符即可，比较实用)；

                                     NLineInputFormat（key为当前行在文件中的偏移量，value为当前行本身，和TextInputFormat不同的是这个类型会为每个mapper指定固定行数的输入分片，N为每个mapper收到的输入行数；

                                     mapred.line.input.format.linespermap属性控制N的值）；

                                     SequenceFileInputFormat（使用sequencefile作为map的输入）。

     DBInputFormat类

     数据库输入，在map中使用jdbc操作数据库，由于多个map将并发操作，故最好用于加载小量的数据集。操作数据库一般使用sqoop。

    TextOutputFormat类

    把每条记录写为文本行，每个键值使用制表符分割，（当然也可以使用mapred.textoutputformat.separator属性改变默认的分隔符）与TextOutputFormat对应的输入格式是keyValueTextInputFormat。可以用NullWritable来省略输出的键或者值（或者两个都省略，即相当于

    NullOutputFormat）

    SequenceFileOutputFormat类

    即以SequenceFile的格式输出，如果输出需要作为后续MapReduce作业的输入，这是一种很好的输出格式。格式紧凑，容易被压缩。

   （昨天弄到太晚了，代码写完直接睡了，今天上。。。）    

    MultipleOutputFormat类

    这个类可以将数据写到多个文件中，比较实用。比如将输出的数据按一定的逻辑归类到不同文件中。（通常是按照输出的键或者值中的信息归类）

    这个类有两个实体子类：MultipleTextOutputFormat，属于TextOutputFormat的多版本文件；

                                   MultipleSequenceFileOutputFormat，属于SequenceFileOutputFormat的多版本文件。

    关键点：： MultipleOutputFormat类提供了一些子类覆盖来控制输出文件名的protected方法（generateFileNameForKeyValue（）方法），这个方法的返回值将用来作为输出的文件名称

    这里提到一点，我使用的时候开始继承的是MultipleTextOutputFormat，但是怎么调试都无效，还是输出 part-00000文件。然后各种查资料，最后好像网上有人说hadoop0.20.0版本还是之前的版本中存在bug，必须继承MultipleOutputFormat类才有效。但是我装的是hadoop1.04，不过我用的仍然是老版本的API在写，不知道是否是这个原因，有大神看到的话帮忙解惑下，这里谢谢了！

    下面是我继承MultipleOutputFormat类实现reducer输出到多个文件的代码：

    

import java.io.IOException;
import java.util.Iterator;

import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.util.Progressable;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapred.JobClient;
import org.apache.hadoop.mapred.JobConf;
import org.apache.hadoop.mapred.MapReduceBase;
import org.apache.hadoop.mapred.Mapper;
import org.apache.hadoop.mapred.OutputCollector;
import org.apache.hadoop.mapred.RecordWriter;
import org.apache.hadoop.mapred.Reducer;
import org.apache.hadoop.mapred.Reporter;
import org.apache.hadoop.mapred.OutputFormat;
import org.apache.hadoop.mapred.TextOutputFormat;
import org.apache.hadoop.mapred.lib.MultipleOutputFormat;


public class PartitionByStationUsingMultipleOutputormat extends Configured
        implements Tool {
    static class StationMapper extends MapReduceBase implements
            Mapper<LongWritable, Text, Text, Text> {

        private NcdcRecordParser parser = new NcdcRecordParser();

        @Override
        public void map(LongWritable key, Text value,
                OutputCollector<Text, Text> output, Reporter reporter)
                throws IOException {
            parser.parse(value);
            output.collect(new Text(parser.getYear()), value);
        }
    }

    static class StationReducer extends MapReduceBase implements
            Reducer<Text, Text, Text, NullWritable> {

        @Override
        public void reduce(Text key, Iterator<Text> values,
                OutputCollector<Text, NullWritable> output, Reporter reporter)
                throws IOException {
            while (values.hasNext()) {
                output.collect(values.next(), NullWritable.get());
            }
        }
    }
    
    static class StationNameMultipleTextOutputFormat extends
            MultipleOutputFormat<Text, NullWritable> {
        private NcdcRecordParser parser = new NcdcRecordParser();
        private OutputFormat<Text, NullWritable> theTextOutputFormat = null;  
        protected String generateFileNameForKeyValue(Text key,
                NullWritable value, String name) {
            parser.parse(key);
            return parser.getStationId() + "/" + parser.getYear();
            //return name + "-" + parser.getStationId();
        }

        @Override
        protected RecordWriter<Text, NullWritable> getBaseRecordWriter(
                FileSystem arg0, JobConf arg1, String arg2, Progressable arg3)
                throws IOException {
            // TODO Auto-generated method stub
            if(theTextOutputFormat==null){
                theTextOutputFormat= new TextOutputFormat<Text, NullWritable>();
            }
            return theTextOutputFormat.getRecordWriter(arg0, arg1, arg2, arg3);
        }
    }

    @Override
    public int run(String[] args) throws Exception {
        JobConf conf = JobBuilder.parseInputAndOutput(this, getConf(), args);
        if (conf == null) {
            return -1;
        }

        conf.setMapperClass(StationMapper.class);
        conf.setMapOutputKeyClass(Text.class);
        conf.setReducerClass(StationReducer.class);
        conf.setOutputKeyClass(NullWritable.class);
        conf.setOutputFormat(StationNameMultipleTextOutputFormat.class);

        JobClient.runJob(conf);
        return 0;
    }

    public static void main(String[] args) throws Exception {
        int exitCode = ToolRunner.run(
                new PartitionByStationUsingMultipleOutputormat(), args);
        System.exit(exitCode);
        //args
        //hdfs://192.168.174.128:9000/user/root/input/Temperature.txt hdfs://192.168.174.128:9000/user/root/output/test1234567890
    }
}

 

    这里面引用了两个帮助类：JobBuilder，NcdcRecordParser。之后的笔记中也会使用到，就一并在这里贴出来了。

JobBuilder：

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.mapred.FileInputFormat;
import org.apache.hadoop.mapred.FileOutputFormat;
import org.apache.hadoop.mapred.JobConf;
import org.apache.hadoop.util.Tool;

public class JobBuilder {
    public static JobConf parseInputAndOutput(Tool tool,
            Configuration conf, String[] args) {
        if (args.length != 2) {
            printUsage(tool, "<inout> <output>");
            return null;
        }
        JobConf jobConf = new JobConf(conf, tool.getClass());
        FileInputFormat.addInputPath(jobConf, new Path(args[0]));
        FileOutputFormat.setOutputPath(jobConf, new Path(args[1]));

        return jobConf;
    }

    public static void printUsage(Tool tool, String extraArgsUsage) {
        System.err.printf("Usage: % [genericOptions] %s\n\n", tool
                .getClass().getSimpleName(), extraArgsUsage);
    }
}

 

NcdcRecordParser：

import org.apache.hadoop.io.Text;

public class NcdcRecordParser {

    private static final int MISSING_TEMPERATURE = 9999;

    private String year;
    private String stationId;
    private int airTemperature;
    boolean isMalformed;

    public void parse(String record) {
        year = record.substring(5, 9);
        stationId = record.substring(0, 2);
        String airTemperatureString;
        // Remove leading plus sign as parseInt doesn't like them
        airTemperatureString = record.substring(15, 19);
        try {
            airTemperature = Integer.parseInt(airTemperatureString);
            isMalformed = false;
        } catch (NumberFormatException e) {
            isMalformed = true;
        }
    }

    public void parse(Text record) {
        parse(record.toString());
    }

    public boolean isValidTemperature() {
        return airTemperature != MISSING_TEMPERATURE && !isMalformed;
    }

    public boolean isMissingTemperature() {
        return airTemperature == MISSING_TEMPERATURE;
    }

    public boolean isMalformedTemperature() {
        return isMalformed;
    }

    public String getYear() {
        return year;
    }

    public String getStationId() {
        return stationId;
    }

    public int getAirTemperature() {
        return airTemperature;
    }
}

 

 

 

 

    输出文件截个图吧：

 

   截图中看到的是以getStationId()命名的子文件夹，在这些文件夹中是以getYear()命名的文件。

   MultipleOutputs类

   这个类用于在原有输出基础上附加输出，输出是指定名称的，可以写到一个文件或者多个文件中。

   使用这个类的静态方法addMultiNamedOutput来设置输出名称，（其实是输出文件名的前缀了，后面都会加上其他数据）

   需要注意的一点是，在这个静态方法中指定的名称，必须在Reducer中的MultipleOutputs类的实例方法 getCollector中接收，即作为这个方法的第一个参数传入，不对应的话我试了下会报错。这个报错是因为啥呢？（没找到，或者我还没理解到，以后补充吧，同时希望看到帖子的大神帮忙解惑，这里谢谢了！）

 

 

   下面是实现的代码，同样使用到了上面贴出来的帮助类：

import java.io.IOException;
import java.util.Iterator;

import org.apache.hadoop.util.ToolRunner;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapred.JobClient;
import org.apache.hadoop.mapred.JobConf;
import org.apache.hadoop.mapred.MapReduceBase;
import org.apache.hadoop.mapred.Mapper;
import org.apache.hadoop.mapred.OutputCollector;
import org.apache.hadoop.mapred.Reducer;
import org.apache.hadoop.mapred.Reporter;
import org.apache.hadoop.mapred.TextOutputFormat;
import org.apache.hadoop.mapred.lib.MultipleOutputs;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.util.Tool;

public class PartitionByStationUsingMultipleOutputs extends Configured
        implements Tool {
    static class StationMapper extends MapReduceBase implements Mapper<LongWritable,Text,Text,Text>{
        private NcdcRecordParser parser = new NcdcRecordParser();

        @Override
        public void map(LongWritable key, Text value,
                OutputCollector<Text, Text> output, Reporter reporter)
                throws IOException {
            parser.parse(value);
            output.collect(new Text(parser.getStationId()), value);
        }
    }
    
    static class MultipleOutputsReducer extends MapReduceBase implements Reducer<Text,Text,NullWritable,Text>{
        private MultipleOutputs multipleOutputs;
        
        @Override
        public void configure(JobConf conf){
            multipleOutputs = new MultipleOutputs(conf);
        }

        @Override
        public void reduce(Text key, Iterator<Text> values,
                OutputCollector<NullWritable, Text> output, Reporter reporter)
                throws IOException {
            OutputCollector collector = multipleOutputs.getCollector("station", key.toString(),reporter);
            while(values.hasNext()){
                collector.collect(NullWritable.get(), values.next());
            }
            
        }
        
        @Override
        public void close() throws IOException{
            multipleOutputs.close();
        }
        
    }

    @Override
    public int run(String[] args) throws Exception {
        JobConf conf = JobBuilder.parseInputAndOutput(this, getConf(), args);
        if (conf == null) {
            return -1;
        }

        conf.setMapperClass(StationMapper.class);
        conf.setMapOutputKeyClass(Text.class);
        conf.setReducerClass(MultipleOutputsReducer.class);
        conf.setOutputKeyClass(NullWritable.class);
        conf.setOutputFormat(TextOutputFormat.class);
        MultipleOutputs.addMultiNamedOutput(conf, "station", TextOutputFormat.class, NullWritable.class, Text.class);

        JobClient.runJob(conf);
        return 0;
    }

    public static void main(String[] args) throws Exception {
        int exitCode = ToolRunner.run(
                new PartitionByStationUsingMultipleOutputs(), args);
        System.exit(exitCode);
        //args
        //hdfs://192.168.174.128:9000/user/root/input/Temperature.txt hdfs://192.168.174.128:9000/user/root/output/testMultipleOutputs123456789
    }

}

 

    下面是运行结果截图:

 

     截图中看到的是以"station"+getStationid()+partNum命名的文件。

     上面主要介绍了MapReduce作业使用到的一些常用的输入格式，输出格式。（都是书本上的理论知识了，只能拿书本上的例子来练手，哎 苦于无项目实战，自己买机器配集群太不现实了，而且也搞不到实际需求和实际数据。悲催~~）