Hadoop -- MapReduce过程

1.读取数据（InputFormat）

读取数据由InputFormat类完成。InputFormat类的功能如下：

• 验证作业的输入格式

• 由InputSplit类将指定输入目录中的输入文件拆分成逻辑文件，即key/value序对，每个逻辑文件将被分配到一个Mapper中

• 提供RecordReader实现类，从逻辑文件中搜集输入记录给Mapper类进行处理

InputFormat类定义了两个抽象方法：getSplits和createRecordReader，前者根据作业（job）的配置，将输入文件切片并返回一个 InputSplit类型的数组；后者为InputSplit实例对象生成一个RecordReader对象，在InputSplit对象使用前，MapReduce框架会先进行RecordReader的实例化操作。InputFormat类图如Figure1:

Figure1：InputFormat类图

InputSplit类定义了两个抽象方法：getLength和getLocations，getLength方法获取分片的大小，因此能根据输入分片的大小进行排序；getLocations方法获取输入数据所在节点的名称。InputSplit类图如Figure2：

Figure2：InputSplit类图

RecordReader类实现了Closeable接口，共6个抽象方法：initialize，nextKeyValue，getCurrentKey，getCurrentValue，getProgress和close。RecordReader类图如下：

• initialize：调用RecordReader对象时进行实例化；

• nextKeyValue：读取下一个key/value对，读取成功返回true；

• getCurrentKey：获取当前key值，返回当前key值，如果没有key值返回null；

• getCurrentValue：获取当前value，即记录。

• getProgress：获取当前RecordReader处理数据的进度，返回数值为0.0~1.0

• close：关闭RecordReader

RecordReader将输入数据切片并转换成key/value对，该key/value对作为Mapper的输入。一般情况下，输入文件分片后是一组连续的记录，最少有N个分片（N是输入文件数）。用户需要控制好分片数，因为分片的大小和数量对作业的运作性能影响很大。

在使用InputFormat类时，需要指定数据的输入格式。Hadoop Map-Reduce框架提供了大量输入格式可供选择，主要区别在于文本输入格式（textual input format）和二进制输入格式（binary input format），下面列出几个较常用的格式：

• KeyValueTextInputFormat：每行一对key/value序对；

• TextInputFormat：key值为行号，value为行的内容；

• NLineInputFormat：与KeyValueTextInputFormat类似，不同点是NLineInputFormat根据输入文件的行数分片，KeyValueTextInputFormat根据输入文件字节数分片；

• MultiFileInputFormat：一个抽象类，用户可以通过实现该类，将多个文件聚集到一个分片中；

• SequenceFileInputFormat：输入文件为Hadoop序列文件，其中包含序列化的key/value对。

KeyValueTextInputFormat和SequenceFileInputFormat格式是最常用的输入格式。可使用如下格式进行设置：

首先定义一个JobConf类对象（当然该对象需要初始化）：

JobConf conf；

然后通过conf调用setInputFormat设置输入数据的格式：

conf.setInputFormat(KeyValueTextInputFormat.class);

   最后设置输入目录的路径：

FileInputFormat.setInputPaths(conf,MapReduceConfig.getInputDirectionary() );

由InputFormat类图可以看到，创建记录读取器时还需要TaskAttemptContext对象，获取分片时需要JobContext对象，它们分别是获取任务（Task）和作业（Job）的信息。因为每一个文件的分片对应于一个任务（task），而getSplits方法返回的是 InputSplit类数组，用于完成整个作业（job），因此调用getSplits方法需要提供job的配置信息。这两个类我们后面再进行详细分析。现在我们来总结一下读取数据需要做些什么：

1. 指定输入文件的目录

2. 指定一个类用于读取数据并将该数据转换成key/value对

   到此读取数据阶段完成，接下来进入Map阶段，我们拭目以待吧 :-)