hadoop学习小记

1. map的输入由inputformat定制，这是一个java中的interface。要实现里面的两个方法，一个是inputsplit，recordreader，前者决定了怎么从最初的输入做partition，后者决定了怎么从读inputsplit。
2. map的数量由inputsplit的数量决定，而reduce的数量则取决于partitioner接口的实现的数量决定。
3. combine是在map后做的reduce。对于每个map真正的顺序应该是：先map，然后对map的结果根据key做sort，然后再对于sort的结果进行combine。
4. map后面还包含多个步骤：shuffle--> merge sort --> secondary sort --> reduce。shuffle只负责把数据从各个机器上fetch过来；merge sort是把每个机器上来的数据做归并排序，在这里使用的比较函数 JobConf.setOutputKeyComparatorClass(Class)，通常来说是针对整个key做排序的；secondary sort 使用的比较函数是JobConf.setOutputValueGroupingComparator(Class).，用来对于key相同的记录再做分组，每个分组本当做一个reduce函数的输入，如果不做这一步，那么就使用sort后key相同的记录作为一个reduce函数的输入；最后的reduce就是处理上面分组（如果没有secondary sort，则直接使用key分组）处理的结果。