java程序员的大数据之路（9）：MapReduce的类型

概述

Hadoop的MapReduce中，map和reduce函数遵循如下常规格式：
map:(K1，V1) -> list(K2,V2)
reduce:(K2,list(V2)) -> list(K3,V3)
输入数据的类型由输入格式进行设置。例如，对应于TextInputFormat的键类型是LongWritable，值类型是Text。其他类型通过调用JobConf上的方法进行显示设置。如果没有显示设置，中间的类型默认为最终的输出类型。因此，如果K2与K3相同，就不需要调用setMapOutputKeyClass()，因为它将调用setOutputKeyClass(),如果V2与V3相同，只需要使用setOutputValueClass()。

默认的MapReduce作业

默认的输入格式是TextInputFormat。
默认的mapper是IdentityMapper，它将输入的键和值原封不动的写到输出中。
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属于哪个分区。每个分区对应一个reducer任务，所以分区数等于作业的reducer的个数。
默认只有一个reducer，它是IdentityReducer。reducer的最优个数与集群中可用的reducer任务槽数相关。总槽数由mapred.tasktracker.reduce.tasks.maximum属性的值决定。通常情况下，reducer数设置比总槽数稍微少一些。

输入格式

输入分片与记录

一个输入分片就是由单个map处理的输入块，每个map操作只处理一个输入分片。每个分片被划分为若干个记录，每条记录就是一个键值对。

FileInputFormat类

FileInputFormat类是所有使用文件作为数据源的InputFormat实现的基类。它提供两个功能：一个定义哪些文件包含在一个作业的输入中，一个为输入文件生成分片的实现。

FileInputFormat类的输入路径

FileInputFormat类提供四种静态方法来设定JobConf的输入路径：

public static void addInputPath(JobConf conf, Path path)
public static void addInputPaths(JobConf conf, String commaSeparatedPaths)
public static void setInputPaths(JobConf conf, Path... inputPaths)
public static void setInputPaths(JobConf conf, String commaSeparatedPaths)

FileInputFormat类的输入分片

FileInputFormat只分割超过HDFS块大小的文件。分片通常与HDFS块大小一致，但也可以通过设置属性改变，最小的分片大小通常是一字节。最大的分片大小默认是Java long类型表示的最大值。
分片的大小由以下公式计算：
max(minimumSize, min(maximumSize, blockSize))
默认情况下：
minimumSize < blockSize < maximumSize
所以默认大小就是blockSize。

小文件与CombineFileInputFormat

相对于大批量的小文件，Hadoop更适合处理少量的大文件。对应大量小文件的问题，使用CombineFileInputFormat会把多个文件打包到一个分片。

文本输入

TextInputFormat

TextInputFormat是默认的InputFormat。每条记录是一行输入，键是存储该行在整个文件中的字节偏移量。值是这行的内容。

KeyValueTextInputFormat

TextInputFormat的键通常不是特别有用，因此我们可以用KeyValueTextInputFormat。

NLineInputFormat

如果希望mapper收到固定行数的输入，需要使用NLineInputFormat作为InputFormat，通过设置mapred.line.input.format.linespermap属性，控制mapper收到行数。

数据库输入（和输出）

DBInputFormat这种输入格式用于使用JDBC从关系数据库中读取数据。最好用于加载小量的数据集，如果需要与来自HDFS的大数据集连接，要使用MultipleInputs。