MapReduce輸入輸出格式之輸入格式

1 常用輸入格式

輸入格式 特點(diǎn) 使用的RecordReader 是否使用FileInputFormat的getSplits
TextInputFormat 以行偏移量為key,以換行符前的字符為Value LineRecordReader
KeyValueTextInputFormat 默認(rèn)分割符為”\t”肾扰,根據(jù)分割符來切分行壤短,前為key噩峦,后為value KeyValueLineRecordReader,內(nèi)部使用LineRecordReader
NLineInputFormat 根據(jù)屬性mapreduce.input.lineinputformat.linespermap所設(shè)置的行數(shù)為每片split的行數(shù) LineRecordReader 覆蓋FileInputFormat的getSplits
SequenceFileInputFormat 使用Hadoop特有文件格式SequenceFile.Reader進(jìn)行讀寫残炮,讀取二進(jìn)制文件 SequenceFileRecordReader
DBInputFormat 通過與數(shù)據(jù)建立連接屋休,將讀取的數(shù)據(jù)根據(jù)map數(shù)進(jìn)行分片 DBRecordReader 繼承InputFormat,實(shí)現(xiàn)分片和RecordReader
InputFormat層級(jí).JPG

2 自定義InputFormat的流程

1)如果是文本格式的數(shù)據(jù)梆惯,那么實(shí)現(xiàn)一個(gè)XXInputForamt繼承FileInputFormat
2)重寫 FileInputFormat 里面的 isSplitable() 方法。如果文件是壓縮文件的話則不能切割吗垮,一般都是支持切割
3)重寫 FileInputFormat 里面的 createRecordReader()方法
4)自定義XXRecordReader垛吗,來讀取特定的格式

XXRecordReader中需要重點(diǎn)實(shí)現(xiàn)以下兩個(gè)的方法
        @Override
        public void initialize(InputSplit input, TaskAttemptContext context)
                throws IOException, InterruptedException {
            FileSplit split=(FileSplit)input;
            Configuration job=context.getConfiguration();
            Path file=split.getPath();
            FileSystem fs=file.getFileSystem(job);
           
            FSDataInputStream fileIn=fs.open(file);
            //紅色標(biāo)記這部分對(duì)于文本型數(shù)據(jù)來說基本是一樣的
            in=new LineReader(fileIn,job);
            line=new Text();
            lineKey=new Text();
            lineValue = new Text();
        }

        //此方法讀取每行數(shù)據(jù),完成自定義的key和value
        @Override
        public boolean nextKeyValue() throws IOException, InterruptedException {
            int linesize=in.readLine(line);//每行數(shù)據(jù)
            if(linesize==0) return false;
            String[] pieces = line.toString().split("\\s+");//解析每行數(shù)據(jù)
            ...
            lineKey.set(“key”);//完成自定義key數(shù)據(jù)
            lineValue.set(“value”);//封裝自定義value數(shù)據(jù)
            return true;
        }       

3 多個(gè)輸入

1)如果輸入格式存在多種烁登,可以設(shè)置不同Mapper處理不同的數(shù)據(jù)源

MultipleInputs.addInputPath(job,ncdcInputPath,TextInputFormat.class,NCDCTemperatureMapper.class);

2)存在多種輸入格式怯屉,而只有一個(gè)Mapper則可使用

public static void addInputPath(Job job,Path path,class< ? extends InputFormat> inputFormatClass);
使用job.setMapperClass();

4. InputFormat及其子類解決的是針對(duì)不同的數(shù)據(jù)格式分片和讀取問題

4.1 getSplits方法中實(shí)現(xiàn)如何分片?

1)根據(jù)不同的數(shù)據(jù)來源采取不同的切片方式
例子1:文本格式的數(shù)據(jù)來源
通過計(jì)算確認(rèn)splitSize的大小蔚舀,假如輸入文件為100M,那么splitSize則為64M锨络,那么文件會(huì)被切分為64M和36M兩個(gè)分片輸出赌躺。

public List<InputSplit> getSplits(JobContext job) throws IOException {
    StopWatch sw = new StopWatch().start();
    long minSize = Math.max(getFormatMinSplitSize(), getMinSplitSize(job));
    long maxSize = getMaxSplitSize(job);

    // generate splits
    List<InputSplit> splits = new ArrayList<InputSplit>();
    List<FileStatus> files = listStatus(job);
    for (FileStatus file: files) {
      Path path = file.getPath();
      long length = file.getLen();
      if (length != 0) {
        BlockLocation[] blkLocations;
        if (file instanceof LocatedFileStatus) {
          blkLocations = ((LocatedFileStatus) file).getBlockLocations();
        } else {
          FileSystem fs = path.getFileSystem(job.getConfiguration());
          blkLocations = fs.getFileBlockLocations(file, 0, length);
        }
        if (isSplitable(job, path)) {
          long blockSize = file.getBlockSize();
          long splitSize = computeSplitSize(blockSize, minSize, maxSize);

          long bytesRemaining = length;
          while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {
            int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
            splits.add(makeSplit(path, length-bytesRemaining, splitSize,
                        blkLocations[blkIndex].getHosts(),
                        blkLocations[blkIndex].getCachedHosts()));
            bytesRemaining -= splitSize;
          }

          if (bytesRemaining != 0) {
            int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
            splits.add(makeSplit(path, length-bytesRemaining, bytesRemaining,
                       blkLocations[blkIndex].getHosts(),
                       blkLocations[blkIndex].getCachedHosts()));
          }
        } else { // not splitable
          if (LOG.isDebugEnabled()) {
            // Log only if the file is big enough to be splitted
            if (length > Math.min(file.getBlockSize(), minSize)) {
              LOG.debug("File is not splittable so no parallelization "
                  + "is possible: " + file.getPath());
            }
          }
          splits.add(makeSplit(path, 0, length, blkLocations[0].getHosts(),
                      blkLocations[0].getCachedHosts()));
        }
      } else { 
        //Create empty hosts array for zero length files
        splits.add(makeSplit(path, 0, length, new String[0]));
      }
    }
    // Save the number of input files for metrics/loadgen
    job.getConfiguration().setLong(NUM_INPUT_FILES, files.size());
    sw.stop();
    if (LOG.isDebugEnabled()) {
      LOG.debug("Total # of splits generated by getSplits: " + splits.size()
          + ", TimeTaken: " + sw.now(TimeUnit.MILLISECONDS));
    }
    return splits;
  }

例子2:數(shù)據(jù)來源為數(shù)據(jù)庫
通過查詢需要讀取的條數(shù),然后再除以map_task數(shù)羡儿,得出每個(gè)map_task需要處理的條數(shù)礼患,進(jìn)行切分

public List<InputSplit> getSplits(JobContext job) throws IOException {

    ResultSet results = null;  
    Statement statement = null;
    try {
      statement = connection.createStatement();

      results = statement.executeQuery(getCountQuery());//查詢總條數(shù)
      results.next();

      long count = results.getLong(1);
      int chunks = job.getConfiguration().getInt(MRJobConfig.NUM_MAPS, 1);
      long chunkSize = (count / chunks);

      results.close();
      statement.close();

      List<InputSplit> splits = new ArrayList<InputSplit>();

      // Split the rows into n-number of chunks and adjust the last chunk
      // accordingly
      for (int i = 0; i < chunks; i++) {
        DBInputSplit split;

        if ((i + 1) == chunks)
          split = new DBInputSplit(i * chunkSize, count);
        else
          split = new DBInputSplit(i * chunkSize, (i * chunkSize)
              + chunkSize);

        splits.add(split);
      }

      connection.commit();
      return splits;
    } catch (SQLException e) {
      throw new IOException("Got SQLException", e);
    } finally {
      try {
        if (results != null) { results.close(); }
      } catch (SQLException e1) {}
      try {
        if (statement != null) { statement.close(); }
      } catch (SQLException e1) {}

      closeConnection();
    }
  }

2)RecordReader類實(shí)現(xiàn)如何讀取數(shù)據(jù)
一般的文本格式一般使用LineRecordReader進(jìn)行讀取,然后根據(jù)需求進(jìn)行處理

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末掠归,一起剝皮案震驚了整個(gè)濱河市缅叠,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌虏冻,老刑警劉巖肤粱,帶你破解...
    沈念sama閱讀 222,183評(píng)論 6 516
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異厨相,居然都是意外死亡领曼,警方通過查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 94,850評(píng)論 3 399
  • 文/潘曉璐 我一進(jìn)店門蛮穿,熙熙樓的掌柜王于貴愁眉苦臉地迎上來庶骄,“玉大人,你說我怎么就攤上這事绪撵∑耙觯” “怎么了?”我有些...
    開封第一講書人閱讀 168,766評(píng)論 0 361
  • 文/不壞的土叔 我叫張陵音诈,是天一觀的道長幻碱。 經(jīng)常有香客問我,道長细溅,這世上最難降的妖魔是什么褥傍? 我笑而不...
    開封第一講書人閱讀 59,854評(píng)論 1 299
  • 正文 為了忘掉前任,我火速辦了婚禮喇聊,結(jié)果婚禮上恍风,老公的妹妹穿的比我還像新娘。我一直安慰自己誓篱,他們只是感情好朋贬,可當(dāng)我...
    茶點(diǎn)故事閱讀 68,871評(píng)論 6 398
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著窜骄,像睡著了一般锦募。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上邻遏,一...
    開封第一講書人閱讀 52,457評(píng)論 1 311
  • 那天糠亩,我揣著相機(jī)與錄音虐骑,去河邊找鬼。 笑死赎线,一個(gè)胖子當(dāng)著我的面吹牛廷没,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播垂寥,決...
    沈念sama閱讀 40,999評(píng)論 3 422
  • 文/蒼蘭香墨 我猛地睜開眼颠黎,長吁一口氣:“原來是場噩夢(mèng)啊……” “哼!你這毒婦竟也來了矫废?” 一聲冷哼從身側(cè)響起盏缤,我...
    開封第一講書人閱讀 39,914評(píng)論 0 277
  • 序言:老撾萬榮一對(duì)情侶失蹤,失蹤者是張志新(化名)和其女友劉穎蓖扑,沒想到半個(gè)月后唉铜,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 46,465評(píng)論 1 319
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡律杠,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 38,543評(píng)論 3 342
  • 正文 我和宋清朗相戀三年潭流,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片柜去。...
    茶點(diǎn)故事閱讀 40,675評(píng)論 1 353
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡灰嫉,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出嗓奢,到底是詐尸還是另有隱情讼撒,我是刑警寧澤,帶...
    沈念sama閱讀 36,354評(píng)論 5 351
  • 正文 年R本政府宣布股耽,位于F島的核電站根盒,受9級(jí)特大地震影響,放射性物質(zhì)發(fā)生泄漏物蝙。R本人自食惡果不足惜炎滞,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 42,029評(píng)論 3 335
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望诬乞。 院中可真熱鬧册赛,春花似錦、人聲如沸震嫉。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,514評(píng)論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽票堵。三九已至柜砾,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間换衬,已是汗流浹背痰驱。 一陣腳步聲響...
    開封第一講書人閱讀 33,616評(píng)論 1 274
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留瞳浦,地道東北人担映。 一個(gè)月前我還...
    沈念sama閱讀 49,091評(píng)論 3 378
  • 正文 我出身青樓,卻偏偏與公主長得像叫潦,于是被迫代替她去往敵國和親蝇完。 傳聞我的和親對(duì)象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,685評(píng)論 2 360

推薦閱讀更多精彩內(nèi)容

  • 先思考問題 我們處在一個(gè)大數(shù)據(jù)的時(shí)代已經(jīng)是不爭的事實(shí)矗蕊,這主要表現(xiàn)在數(shù)據(jù)源多且大短蜕,如互聯(lián)網(wǎng)數(shù)據(jù),人們也認(rèn)識(shí)到數(shù)據(jù)里往...
    墻角兒的花閱讀 7,376評(píng)論 0 9
  • 摘自:http://staticor.io/post/hadoop/2016-01-23hadoop-defini...
    wangliang938閱讀 597評(píng)論 0 1
  • 目的這篇教程從用戶的角度出發(fā)傻咖,全面地介紹了Hadoop Map/Reduce框架的各個(gè)方面朋魔。先決條件請(qǐng)先確認(rèn)Had...
    SeanC52111閱讀 1,734評(píng)論 0 1
  • 思考問題 Mapper類 Mapper類 四個(gè)泛型,分別是KEYIN、VALUEIN卿操、KEYOUT警检、VALUEOU...
    Sakura_P閱讀 876評(píng)論 0 3
  • 一路逡巡只等歸零窥摄, 三三兩兩再遇重啟镶奉。 一行人, 踏遍世間崭放,留下足跡哨苛。 另一群人, 尋找那行人莹菱,踏過的腳印移国。 演變...
    煬歧閱讀 740評(píng)論 43 37