MapReduce
1、MapReduce概述
1.1、MapReduce定义
MapReduce是一个分布式运算程序的编程框架，是用户开发基于Hadoop的数据分析应用的核心框架。
MapReduce核心功能是将用户编写业务的逻辑代码和自带默认组件整合成一个完整的分布式运算程序，并发运行在一个Hadoop集群上。
1.2、MapReduce优缺点
1.2.1、MapReduce优点
1）MapReduce易于编程
它简单的实现一些接口就可以完成一个分布式程序，这个分布式程序可以分布到大量廉价的PC机器上运行。写一个分布式程序和写一个简单的串行程序一摸一样的。因为这个特点使MapReduce编程非常的流行。
2）良好的扩展性
当你的计算机资源不能得到满足时，你可以使用最为简单的增加机器的方式扩展他的计算能力。
3）高容错性
MapReduce设计的初衷是使程序能够部署在廉价的PC机器上，这就要求它具有很高的容错性。比如其中一台机器挂了，可以把上面的计算任务转移到另一个节点上运行，不会导致任务运行失败，而这个过程不需要人工参与，完全是由Hadoop内部完成的。
4）适合PB级以上的海量数据的离线处理
可以实现上千万台服务器集群并发工作，提供数据处理能力。
1.2.2、MapReduce缺点
1）不擅长实时计算
MapReduce无法像Mysql一样在毫秒或者秒级内返回结果。
2）不擅长流式计算
流式计算的输入数据是动态的，而MapReduce的输入数据集是静态的，不能动态变化。这是一位内MapReduce自身的设计特点决定了数据源必须是静态的。
3）不擅长DAG（有向无环图）计算
多个应用程序存在依赖关系，后一个应用程序的输入为前一个的输出。在这种情况下，MapReduce并不是不能做，而是使用后，每个MapReduce作业的输出结果都会写入到磁盘，造成大量的磁盘IO，导致性能十分低下。
1.3、MapReduce的核心思想
（1）分布式的运算程序往往需要分成至少两个阶段。
（2）第一个阶段的MapTask并发实例完全并行运行，互不相干。
（3）第二个阶段的ReduceTask并发实例互不相干，但他们的数据依赖于上一个阶段的MapTask并发实例的输出。
（4）MapReduce编程模型只能包含一个Map阶段和一个Reduce阶段，如果用户的业务逻辑非常复杂，那只能多个MapReduce程序，穿行运行。
1.4、MapReduce进程
一个完整的MapReduce程序在分布式运行时有三类实例进程：
（1）MrAppMaster：负责整个程序过程调度及状态协调。
（2）MapTask：负责Map阶段的整个数据处理流程。
（3）ReduceTask：负责Reduce阶段的整个数据处理流程。
1.5、官方WordCount源码
采用反编译工具反编译源码，发现WordCount案例有Map类，Reduce类和驱动类。且数据的类型是Hadoop自身封装的序列化类型。
1.6、常用数据序列化类型
| Java类型 | Hadoop Writable类型 |
|---|---|
| Boolean | BooleanWritable |
| Byte | ByteWritable |
| Int | IntWritable |
| Float | FloatWritable |
| Long | LongWritable |
| Double | DoubleWritable |
| String | Text |
| Map | MapWritable |
| Array | ArrayWritable |
| Null | nullWritable |
1.7、MapReduce编程规范
用户编写的程序分为三个部分：Mapper、Reducer、Driver。
1.Mapper阶段
（1）用户自己定义的Mapper要继承自己的父类
（2）Mapper的输入数据是KV对的形式（KV的类型可以自定义）
（3）Mapper中的业务逻辑写在map()方法中
（4）Mapper的输出数据是KV对的形式（KV的类型可以自定义）
（5）map()方法（MapTask进程）对每一个<K,V>调用一次
2.Reducer阶段
（1）用户自定义的Reduce要继承自己的父类
（2）Reducer的输入数据类型对应Mapper的输出数据类型。也是KV
（3）Reducer的业务逻辑卸载reduce()方法中
（4）ReduceTask进程对每一组相同K的<K,V>调用一次reduce()方法
3.Driver阶段
相当于YARn集群的客户端，用户提交我们整个程序到YARN集群，提交的是封装了MapReduce程序相关运行参数的job对象
1.8、WordCount案例操作
1.8.1、本地测试
1）需求
在文本文件中统计输出每一个单词出现的总次数
（1）输入数据
自定义数据，本文采用（分隔符为空格）
atguigu atguigu
ss ss
cls cls
jiao
banzhang
xue
hadoop
（2）期望输出数据
shenbaoyun 2
banzhang 1
cls 2
hadoop 1
jiao 1
ss 2
xue 1
2）需求分析（操作步骤）
1、输入数据
Mapper
2、将MapTask传入的文本内容转为String类型
3、根据分隔符将这一行切分成多个单词
4、将单词输出为KV<单词，1>
Reduce
1、汇总各个Key的个数
2、输出该Key的总次数
Driver
1、获取配置信息，获取job对象实例
2、制定本程序的jar包所在的本地路径
3、关联Mapper、Reducer业务类
4、指定Mapper输出数据的kv类型
5、指定最终输出的数据的kv类型
6、指定job的输入原始文件所在目录
7、指定job的输出结果所在目录
8、提交作业
3）业务实操（环境准备）
（1）创建maven工程，MapReduceDemo
（2）在pom.xml文件中添加如下依赖
<dependencies>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>3.1.3</version>
</dependency>
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.12</version>
</dependency>
<dependency>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-log4j12</artifactId>
<version>1.7.30</version>
</dependency>
</dependencies>
（3）在项目的/src/main/resource目录下新建一个文件，命名为“log4j.properties”，并在文件中填入
log4j.rootLogger=INFO, stdout
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spring.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n
（4）创建包名：com.shenbaoyun.mapreduce.wordcount
4）编写程序
（1）编写WordCountMapper
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
/**
*KEYIN Map阶段输入的key的类型：LongWritabel
*VALUEIN Map阶段输入的value类型：Text
*KEYOUT Map阶段输出的Key类型：Text
*VALUEOUT Map阶段输出的value类型:IntWritabel
*/
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
Text outK = new Text();
IntWritable outV = new IntWritable(1);
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
// 1 获取一行
String line = value.toString();
// 2 切割
String[] words = line.split(" ");
// 3 循环写出
for (String word : words) {
//封装outK
outK.set(word);
//写出
context.write(outK, outV);
}
}
}
（2）编写Reducer类
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
/**
*KEYIN Redece阶段输入的key的类型：Text
*VALUEIN Redece阶段输入的value类型：IntWritabel
*KEYOUT Redece阶段输出的Key类型：Text
*VALUEOUT Redece阶段输出的value类型:IntWritabel
*/
public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
IntWritable outV = new IntWritable();
@Override
protected void reduce(Text key, Iterable<IntWritable> values,Context context) throws IOException, InterruptedException {
// 1 累加求和
int sum = 0;
for (IntWritable value : values) {
sum += value.get();
}
// 2 输出
outV.set(sum);
context.write(key,outV);
}
}
（3）编写Driver驱动类
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.io.IOException;
public class WordCountDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
// 1 获取配置信息以及获取job对象
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);
// 2 设置jar包路径
job.setJarByClass(WordCountDriver.class);
// 3 关联Mapper和Reducer的jar
job.setMapperClass(WordCountMapper.class);
job.setReducerClass(WordCountReducer.class);
// 4 设置Mapper输出的kv类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
// 5 设置最终输出kv类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
// 6 设置输入和输出路径
// FileInputFormat.setInputPaths(job, new Path("路径"));
// FileOutputFormat.setOutputPath(job, new Path("路径"));
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
// 7 提交job
boolean result = job.waitForCompletion(true);
System.exit(result ? 0 : 1);
}
}
1.8.2、提交到集群测试
（1）用maven打包，需要添加依赖
<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>com.atguigu</groupId>
<artifactId>MapReduce</artifactId>
<version>1.0-SNAPSHOT</version>
<dependencies>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>3.1.3</version>
</dependency>
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.12</version>
</dependency>
<dependency>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-log4j12</artifactId>
<version>1.7.30</version>
</dependency>
</dependencies>
<build>
<plugins>
<plugin>
<artifactId>maven-compiler-plugin</artifactId>
<version>3.6.1</version>
<configuration>
<source>1.8</source>
<target>1.8</target>
</configuration>
</plugin>
<plugin>
<artifactId>maven-assembly-plugin</artifactId>
<configuration>
<descriptorRefs>
<descriptorRef>jar-with-dependencies</descriptorRef>
</descriptorRefs>
</configuration>
<executions>
<execution>
<id>make-assembly</id>
<phase>package</phase>
<goals>
<goal>single</goal>
</goals>
</execution>
</executions>
</plugin>
</plugins>
</build>
</project>
（2）将程序打包
（3）修改不带依赖的jar包名称为wc.jar，并拷贝到Hadoop集群的/opt/module/hadoop-3.1.3路径
（4）启动Hadoop集群
myhadoop.sh stop
myhadoop.sh start
(5)执行WordCount程序
hadoop jar wc.jar com.shenbaoyun.mapreduce.wordcount.WordCountDriver /user/shenbaoyun /input /user/shenbaoyun/output
2、Hadoop序列化
2.1、序列化概述
1）什么是序列化
序列化九十八内存中的对象转换成字节序列（或其他数据传输协议）以便存储到磁盘（持久化）和网络传输。
反序列化就是将接收到字节序列（或其他数据传输协议）或者是磁盘的持久化数据转换成内存中的对象。
2）为什么要序列化
一般来说，“活的“对象只存在内存里，关机断电就不存在了，而”活的“对象只能由本地的进程使用，不能被发送到网络上的另外一台计算机。然而序列化可以存储”活的“对象，可以将”活的“对象发送到远程计算机。
3）为什么不用Java的序列化
Java的序列化是一个重量级序列化框架（Serializable），一个对象被序列化后，会附带很多额外的信息（各种校验信息，Header，继承体系等），不便于在网络中高校传输，所以hadoop自己开发了一套序列化机制（Writable）。
4）Hadoop序列化特点
（1）紧凑：高效使用空间。
（2）快速：读写数据的额外开销小。
（3）互操作：支持多语言的交互。
2.2、自定义bean对象实现序列化接口（Writable）
在企业开发中往往常用的基本序列化类型不能满足所有需求，比如在Hadoop框架内部传递一个bean对象，那么该对象就需要实现序列化接口。
具体实现bean对象序列化步骤如下7步。
（1）实现Writable接口
（2）反序列化时需要反射调用空参构造函数，所以必须有空参构造
public FlowBean() {
super();
}
（3）重写序列化方法
@Override
public void write(DataOutput out) throws IOException {
out.writeLong(upFlow);
out.writeLong(downFlow);
out.writeLong(sumFlow);
}
（4）重写反序列化方法
@Override
public void readFields(DataInput in) throws IOException {
upFlow = in.readLong();
downFlow = in.readLong();
sumFlow = in.readLong();
}
（5）注意反序列化的顺序和序列化的顺序完全一致
（6）要想把结果显示在文件中，需要重写toString()，可用“\t”分开，方便后续使用
（7）如果需要将自定义的bean放在key中传输，则还需要实现Comparable接口，因为Mapareduce框架中的Shuffle过程要求key必须能排序
@Override
public int compareTo(FlowBean o) {
// 倒序排列，从大到小
return this.sumFlow > o.getSumFlow() ? -1 : 1;
}
2.3、序列化案例实操
1）统计每一个手机号耗费的总上行流量、总下行流量、总流量
（1）输入数据
（2）输入数据格式
| 7 | 13560436666 | 120.196.100.99 | 1116 | 954 | 200 |
|---|---|---|---|---|---|
| id | 手机号码 | 网络ip | 上行流量 | 下行流量 | 网络状态码 |
（3）期望输出数据格式
| 13560436666 | 1116 | 954 | 2070 |
|---|---|---|---|
| 手机号码 | 上行流量 | 下行流量 | 总流量 |
2)需求分析
1.需求：统计每一个手机号耗费的总上行流量、总下行流量、总流量
2.输入数据格式
3.期望输出格式
Map阶段
4.读取一行数据，切分字段
5.抽取手机号、上行流量、下行流量
6.以手机号为key，bean对象为value输出，即context.write(手机号，bean)
7.bean对象要想能够传输，必须实现序列化接口
Reduce阶段
8.累加上行流量和下行流量得到总流量
3）编写MapReduce程序
（1）编写流量统计的Bean对象
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Writable;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
//1 继承Writable接口
/**
* 1、定义类时限Writable接口
* 2、重写序列化和反序列化
* 3、重写空参构造
* 4、toString方法
*/
public class FlowBean extends LongWritable implements Writable {
private long upFlow; //上行流量
private long downFlow; //下行流量
private long sumFlow; //总流量
//空参构造
public FlowBean() {
}
public long getUpFlow() {
return upFlow;
}
public void setUpFlow(long upFlow) {
this.upFlow = upFlow;
}
public long getDownFlow() {
return downFlow;
}
public void setDownFlow(long downFlow) {
this.downFlow = downFlow;
}
public long getSumFlow() {
return sumFlow;
}
public void setSumFlow(long sumFlow) {
this.sumFlow = sumFlow;
}
public void setSumFlow() {
this.sumFlow = this.upFlow + this.downFlow;
}
@Override
public void write(DataOutput out) throws IOException {
out.writeLong(upFlow);
out.writeLong(downFlow);
out.writeLong(sumFlow);
}
@Override
public void readFields(DataInput in) throws IOException {
this.upFlow = in.readLong();
this.downFlow = in.readLong();
this.sumFlow = in.readLong();
}
@Override
public String toString() {
return upFlow + "\t" + downFlow + "\t" + sumFlow ;
}
}
（2）编写Mapper类
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
public class FLowMapper extends Mapper<LongWritable, Text, Text , LongWritable> {
private Text outK = new Text();
private FlowBean outV = new FlowBean();
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//1.获取一行信息
String line = value.toString();
```java
//2.切割
String[] split = line.split("\t");
//3.抓取数据
String phone = split[1];
String up = split[split.length - 3];
String down = split[split.length - 2];
//4.封装
outK.set(phone);
outV.setUpFlow(Long.parseLong(up));
outV.setDownFlow(Long.parseLong(down));
outV.setSumFlow();
//5.写出
context.write(outK, outV);
}
（3）编写Reducer类
import org.apache.hadoop.mapreduce.Reducer;
import javax.xml.soap.Text;
import java.io.IOException;
public class FlowReducer extends Reducer<javax.xml.soap.Text, FlowBean, Text, FlowBean> {
private FlowBean outV = new FlowBean();
@Override
protected void reduce(javax.xml.soap.Text key, Iterable<FlowBean> values, Context context) throws IOException, InterruptedException {
//1.遍历集合累加
long totalUp = 0;
long totaldown = 0;
for (FlowBean value : values) {
totalUp += value.getUpFlow();
totaldown += value.getDownFlow();
}
//2.封装outK，outV
outV.setUpFlow(totalUp);
outV.setDownFlow(totaldown);
outV.setSumFlow();
//3.写出
context.write(key, outV);
}
}
（4）编写Driver类
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import javax.xml.soap.Text;
import java.io.IOException;
public class FlowDriver {
public static void main(String[] args) throws IOException {
//1.获取job
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);
//2.设置jar
job.setJarByClass(FlowDriver.class);
//3.关联mapper和reducer
job.setMapperClass(FLowMapper.class);
job.setReducerClass(FlowReducer.class);
//4.设置mapper输出key和value类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(FlowBean.class);
//5.设置最终输出的key和value类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(FlowBean.class);
//6.设置数据的输入路径和输出路径
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
}
}
3、MapReduce框架原理
3.1、InputFormat数据输入
3.1.1、切片与MapTask并行度决定机制
1）MapTask的并行度决定Map阶段的任务处理并发度，进而影响整个job的处理速度。
思考：1G的程序，启动8个MapTask，可以提高集群的并发处理能力。那么1K的数据，也启动8个MapTask，会提高性能吗？MapTask并行任务是否越多越好呢？哪些因素影响了MapTask并行度？
2）MapTask并行度决定机制
数据块：Block是HDFS物理上把数据分成一块一块的。数据块是HDFS存储数据单位。
数据切片：数据切片只是在逻辑上对输入进行分片，不会在磁盘上将其切分成片进行存储。数据切片是MapReduce程序计算输入数据的单位，一个切片会启动一个MapTask。
（1）一个job的Map阶段并行度由客户端再提交job时的切片数决定的。
（2）每一个spilt切片分配一个MapTask并行实例处理。
（3）默认情况下，切片大小=BlockSize。
（4）切片时不考虑数据集整体，而是逐个针对每一个文件单独切片。
3.1.2、Job提交流程源码和切片流程源码详解
waitForCompletion()
submit();
// 1建立连接
connect();
// 1）创建提交Job的代理
new Cluster(getConfiguration());
// （1）判断是本地运行环境还是yarn集群运行环境
initialize(jobTrackAddr, conf);
// 2 提交job
submitter.submitJobInternal(Job.this, cluster)
// 1）创建给集群提交数据的Stag路径
Path jobStagingArea = JobSubmissionFiles.getStagingDir(cluster, conf);
// 2）获取jobid ，并创建Job路径
JobID jobId = submitClient.getNewJobID();
// 3）拷贝jar包到集群
copyAndConfigureFiles(job, submitJobDir);
rUploader.uploadFiles(job, jobSubmitDir);
// 4）计算切片，生成切片规划文件
writeSplits(job, submitJobDir);
maps = writeNewSplits(job, jobSubmitDir);
input.getSplits(job);
// 5）向Stag路径写XML配置文件
writeConf(conf, submitJobFile);
conf.writeXml(out);
// 6）提交Job,返回提交状态
status = submitClient.submitJob(jobId, submitJobDir.toString(), job.getCredentials());
2）FileInputFormat切片源码解析
（1）程序先找到数据存储的目录
（2）开始遍历处理（规划切片）目录下的每一个文件
（3）遍历第一个文件 xxx.txt
a）获取文件大小fs.sizeOf(xxx.txt)
b) 计算切片大小
computeSplitSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M
c）默认情况下切片大小=blocksize
d）开始切片，形成第一个切片：**.txt--0-128M，第二个切片128-256M，第三个切片256-300M（每次切片是都要判断下剩余的部分是否大于块的1.1倍，不大于1.1的就划分为一块切片）
e）将切片信息写到一个切片规划文件中
f）整个切片的核心过程在getSplit（）方法中完成
g）InputSplit只记录了切片的元数据信息，比如起始位置，长度以及所在节点列表等。
（4）提交切片规划文件到YARN上，YARN上的MrAppMaster就可以根据切片规划文件计算开启的MapTask个数。
3.1.3、FileInputFormat切片机制
1.切片机制
（1）简单的按照文件的内容长度进行切片
（2）切片大小默认等于block大小
（3）切片时不考虑数据集整体，而是针对逐一个文件单独切片
2、FileInputFormat切片大小的参数配置
（1）源码中计算切片大小的公式
Math.max(minSize,Math.min(maxSize,blocksize)));
mapreduce.input.fileinputformat.split.minsize=1;默认值为1
mapreduce.input.fileinputformat.split.maxsize=Long.MAXValue;默认值Long.MAXValue
因此默认情况下，切片大小=blocksize。
（2）切片大小设置
maxsize（切片最大值）：参数如果调的比blocksize小，则会让切片变小，而且等于这个参数的值。
minsize（切片最小值）：参数如果调的比blocksize大，则会让切片变的比blocksize大。
（3）获取切片信息API
//获取切片的名称文件
String name = inputsplit.getPath().getName();
//根据文件类型获取切片信息
FileSplit inputSplit = (FileSplit) context.getInputSplit();
3.1.4、TextInputFormat
1）FileInputFormat实现类
思考：在运行MapReduce程序时，输入的文件格式包括：基于行的日志文件、二进制格式文件、数据库表等。那么针对不同的数据类型MapReduce是如何读取到这些数据的呢？
FileInputFormat常见的接口实现类包括：TextInputFormat，KeyValueTextInputFormat、NLineInputFormat、CombineTextInputFormat和自定义InputFormat等。
2）TextInputFormat
TextInputFormat是默认的FileInputFormat实现类。按行读取每条记录。键是存储该行在整个文件中起始字节偏移量，LongWritable类型。值是这行的内容，不包括任何行终止符（换行符，回车符），Text类型
3.1.5、COmbineTextInputFormat切片机制
框架默认的TextInputFormat切片机制是对任务按文件规划切片，不管文件多小，都会是一个单独的切片，都会交给一个MapTask，如果有大量小文件就会产生大量的MapTask，处理效率极其低下。
1）应用场景
CombineTextInputFormat用于小文件过多的场景，它可以将多个小文件从逻辑上规划到一个切片中，这样多个小文件就可以交给一个MapTask处理。
2）虚拟存储切片最大值设置
CombineTextInputFormat.setMaxInputSoplitSize(job,4194304);//4M
注意：虚拟存储切片最大值设置最好根据实际的小文件大小来设置。
3）切片机制
生成切片过程包括：虚拟存储过程和切片过程两部分。
（1）将输入目录下所有文件大小依次和设置的setMaxInputSoplitSize值比较，如果不大于设置的最大值，逻辑上划分一个块。如果输入文件大于最大值且大于两倍，那么以最大值切割一块，当剩余数据大小超过设置的最大值且不超过两倍，则将文件均分成两个虚拟存储块。
例如setMaxInputSplitSize值为4M，输入文件大小为8.02M，则先逻辑上分成一个4M。剩余的大小为4.02M，如果按照4M逻辑划分，就会出现0.02M的小的虚拟存储文件，所以将剩余的4.02M文件切分成（2.01M和2.01M）两个文件。
（2）切片过程
（a）判断虚拟存储的文件大小是否大于setMaxInputSoplitSize值，大于则单独形成一个切片。
（b）如果不大于则会跟下一个虚拟存储文件进行合并，共同形成一个切片。
（c）测试举例：有4个小文件大小分别为1.7M、5.1M、3.4M以及6.8M这四个小文件，则虚拟存储之后形成6个文件块，大小分别为：
1.7M，（2.55M、2.55M），3.4M以及（3.4M、3.4M）
最终会形成3个切片，大小分别为：
（1.7+2.55）M，（2.55+3.4）M，（3.4+3.4）M
3.1.6、COmbineTextInputFormat案例
1）需求
（1）准备四个文件
（2）期望一个切片处理4个文件
2）实现
（a）驱动类（WordcountDriver）中添加代码
// 如果不设置InputFormat，它默认用的是TextInputFormat.class
job.setInputFormatClass(CombineTextInputFormat.class);
//虚拟存储切片最大值设置4m
CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);
（b）运行如果为3个切片。
number of splits:3
（3）在WordcountDriver中增加如下代码，运行程序，并观察运行的切片个数为1。
（a）驱动中添加代码如下：
// 如果不设置InputFormat，它默认用的是TextInputFormat.class
job.setInputFormatClass(CombineTextInputFormat.class);
//虚拟存储切片最大值设置20m
CombineTextInputFormat.setMaxInputSplitSize(job, 20971520);//最大值大于四个文件总和
（b）运行如果为1个切片
number of splits:1
3.2、MapReduce工作流程及原理
Map阶段
（1）在客户端启动一个作业。
（2）将运行作业所需要的资源文件提交给YARN，并根据切片文件信息开启多个MapTask。
（3）MapTask通过用户编写的RecordReader从InputSplit中解析出多个<k，v>并将其交给用户编写的map方法处理，并产生新的<k，v>
（4）当map方法处理完成后，调用OutputCollector.collect()输出结果，并将其暂存在环形内存缓冲区中（默认100M，由io.sort.mb属性控制）。当该缓冲区快要溢出时（默认为缓冲区大小的80%，由io.sort.spill.percent属性控制），会在本地文件系统中创建一个溢出文件，将该缓冲区中的数据写入这个文件。
（5）在写入磁盘之前，线程首先根据reduce任务的数目将数据划分为相同数目的分区，也就是一个reduce任务对应一个分区的数据。这样做是为了避免reduce数据倾斜，引起效率问题。
当map任务输出最后一个文件时，可能会有很多个溢出文件，这时需要将其合并，并且在合并的过程中会不断地进行排序和combianer操作，目的是减少每次写入磁盘的数据量，尽量减少下一复制阶段网络传输的数据量，最后合并成一个已分区且已排序的文件。
（6）将分区中的数据拷贝给对应的reduce任务，
reduce阶段
（7）reduce会接收到不同的map任务传递来的数据，并且每个map传递过来的数据都是有序的，如果reduce端接受的数据量小，则直接存储在内存中（缓冲区大小由mapred.job.shuffle.input.buffer.percent属性控制，表示用作此用途的堆空间的百分比），如果数据超过了该缓冲区大小的一定比例（由mapred.job.shuffle.merge.percent决定），则对数据合并后溢写进磁盘里。
（8）随着溢写文件的增多，后台线程会将他们合并成一个更大的有序地文件，这样会节省合并时间（其实不管在map端还是reduce端，MapReduce都是反复地执行排序，合并操作，现在终于明白了有些人为什么会说：排序是hadoop的灵魂）。
（9）合并的过程中会产生很多的中间文件，但MapReduce会让写入磁盘的数据尽可能的少，并且最后一次合并的结果没有写入磁盘，而是直接输入到reduce函数中
本节引用了https://www.cnblogs.com/hadoop-dev/p/5894911.html
并对内容进行了一些改动
3.3、Shuffle
3.3.1、Shuffle机制
1、什么是Shuffle机制？
在Hadoop中数据从Map阶段传递给Reduce阶段的过程就叫做Shuffle。Shuffle机制是整个MapReduce框架中最核心的部分。
核心机制：分区，排序，缓存。
2、Shuffle作用范围
一般把数据从Map阶段输出到Reduce阶段的过程叫做Shuffle，所以Shuffle的作用范围是Map阶段输出到Reduce阶段数据输入的中间过程。
3、Shuffle流程
（1）MapTask收集map方法输出的<k，v>放入内存缓冲区中
（2）从内存缓冲区中不断溢出本地磁盘文件，可能会有多个文件
（3）多个溢出文件会被合并成大的溢出文件
（4）在溢出过程及合并的过程中，都要调用Partitioner进行分区和针对key进行排序
（5）ReduceTask根据自己的分区号去各个MapTask机器上获取相对应的分区数据
（6）ReduceTask会抓取到同一个分区来自不同MapTask的结果文件，ReduceTask会将这些文件再次进行归并排序
（7）合并成大文件过后Shuffle过程就结束了，后面通过ReduceTask的逻辑运算过程从文件中取出多个<k，v>，并将其传入用户自定义的reduce方法中
注意：
（1）Shuffle中的缓冲区大小会影响到MapReduce程序的执行效率，原则上说，缓冲区越大，磁盘io的次数越少，执行速度就越快。
（2）缓冲区的大小可以通过参数调整，参数：mapreduce.task.io.sort.mb默认100M。
3.3.2、Partition分区
1、Partitioner默认分区
默认分区是根据key的hashCode对ReduceTask个数取模得到的。用户无法控制哪个key存储到哪个区。
2、自定义Partirioner步骤
（1）自定义类继承Partitioner，重写getPartition()方法
（2）在job驱动中设置自定义Partirioner
（3）自定义Partition后要根据自定义Partitioner的逻辑设置相应数量的ReduceTask
3、分区总结
（1）如果ReduceTask的数量大于getPartition的结果数则会多产生几个空的输出文件part-r-000xx
（2）如果1<ReduceTask的数量<getPartition的结果数，则有一部分分区无处安放，会导致Exception
（3）如果ReduceTask的数量=1，则不管MapTask端输出多少个文件分区，最终结果都交给这一个ReduceTask，最终只会产生一个结果文件part-r-000xx
（4）分区号必须从零开始逐一累加
4、案例
加入自定义分区数为5，则
（1）job.setNumReduceTasks(1);会正常运行，只产生一个文件
（2）job.setNumReduceTasks(2);程序报错
（3）job.setNumReduceTasks(5)；会正常运行，会产生空文件
3.3.3、Partition分区案例
1）需求
将统计结果按照手机归属地不同省份输出到不同文件中（分区）
1、输入数据
2、期望输出数据
手机号136、137、138、139开头都分别放到一个独立的4个文件中，其他开头的放到一个文件中。
2）需求分析
1、将统计结果按照手机归属地不同省份输出到不同文件中（分区）
2、数据输入
3、期望数据输出
4、增加一个ProvincePartitioner分区
5、Driver驱动类（指定自定义分区、制定相应数量的reduceTask）
3）在案例2.3的基础上，增加一个分区类
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Partitioner;
public class ProvincePartitioner extends Partitioner<Text, FlowBean> {
@Override
public int getPartition(Text text, FlowBean flowBean, int numPartitions) {
//Text是手机号
String phone = text.toString();
String prePhone = phone.substring(0, 3);
int partition;
if("136".equals(prePhone)){
partition = 0;
}else if("137".equals(prePhone)){
partition = 1;
}else if("138".equals(prePhone)){
partition = 2;
}else if("139".equals(prePhone)){
partition = 3;
}else {
partition = 4;
}
//返回partition
return partition;
}
}
4）在驱动函数中增加自定义数据分区设置和ReduceTask设置
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import javax.xml.soap.Text;
import java.io.IOException;
public class FlowDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
//1.获取job
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);
//2.设置jar
job.setJarByClass(FlowDriver.class);
//3.关联mapper和reducer
job.setMapperClass(FLowMapper.class);
job.setReducerClass(FlowReducer.class);
//4.设置mapper输出key和value类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(FlowBean.class);
//5.设置最终输出的key和value类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(FlowBean.class);
//8 指定自定义分区器
job.setPartitionerClass(ProvincePartitioner.class);
//9 同时指定相应数量的ReduceTask
job.setNumReduceTasks(5);
//6.设置数据的输入路径和输出路径
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
//7 提交Job
boolean b = job.waitForCompletion(true);
System.exit(b ? 0 : 1);
}
}
3.3.4、WritableComparable排序
排序是MapReduce框架中最重要的操作之一。
MapTask和ReduceTask均会对数据按照key进行排序，该操作属于Hadoop的默认行为。任何应用程序中的数据均会排序，不管逻辑上是否需要。
排序默认是按照字典顺序排序，且实现该排序的方法是快速排序。
对于MapTask，它会将处理的结果暂时放到环形缓冲区中，当环形缓冲区使用率达到一定阈值后，在对缓冲区中的数据进行一次快速排序，并将这些有序数据溢写到磁盘上，而当数据处理完毕后，他会对磁盘上所有文件进行归并排序。
对于ReduceTask，他从每个MapTask上远程拷贝相对应的数据文件，如果文件大小超过一定法制，则溢写到磁盘上，否则存储在内存中，如果磁盘上的文件数目达到一定阈值，则进行一次归并排序以生成一个更大的文件，如果内存中文件大小或者输入超过一定阈值，则进行一次合并操作后将数据溢写到磁盘上。当所有数据拷贝完毕后，ReduceTask统一对内存和磁盘上的所有数据进行一次归并排序。
1、排序分类
（1）部分排序
MapReduce根据输入记录的键对数据集排序，保证输出的每个文件内部有序。
（2）全排序
最终输出结果只有一个文件，且文件内部有序。实现方式是只设置一个ReduceTask。但该方法在处理大型文件时效率极低，因为一台机器处理所有文件完全丧失了MapReduce所提供的并行架构。
(3)辅助排序
在Reduce端对key进行分组。应用于在接受的key为bean对象时，想让一个或几个字段相同（全部字段比较不相同）的key进入同一个reduce方法时可以采用分组排序。
（4）二次排序
在自定义排序过程中，如果compartTo中的判断条件为两个即为二次排序。
自定义排序WritableComparable原理分析
bean对象作为key传输，需要实现WritableComparable接口重写compareTo方法，就可以实现排序。
@Override
public int compareTo(FlowBean bean) {
int result;
// 按照总流量大小，倒序排列
if (this.sumFlow > bean.getSumFlow()) {
result = -1;
}else if (this.sumFlow < bean.getSumFlow()) {
result = 1;
}else {
result = 0;
}
return result;
}
3.3.5、WritableComparable排序案例（全排序）
1、需求
根据案例2.3序列化案例产生的结果再次对总流量进行倒序排序。根据案例2.3序列化案例产生的结果再次对总流量进行倒序排序。
2、需求分析
（1）根据手机的总流量进行排序
（2）输入数据
（3）输出数据
（4）FLowBean实现WritableComparable接口重写compareTo方法
（5）Mapper类
（6）Reducer类
3、代码
（1）FlowBean对象在在需求1基础上增加了比较功能
新建一个FlowBean 类，并重写write、readFileds、compareTo方法。设置一个无参构造、设置上行流量下行流量总流量，三个属性
package com.shenbaoyun.mapreduce.writablecompable;
import org.apache.hadoop.io.WritableComparable;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
public class FlowBean implements WritableComparable<FlowBean> {
//设置三个属性
private long upFlow; //上行流量
private long downFlow; //下行流量
private long sumFlow; //总流量
//设置无参构造
public FlowBean() {
}
public long getUpFlow() {
return upFlow;
}
public void setUpFlow(long upFlow) {
this.upFlow = upFlow;
}
public long getDownFlow() {
return downFlow;
}
public void setDownFlow(long downFlow) {
this.downFlow = downFlow;
}
public long getSumFlow() {
return sumFlow;
}
public void setSumFlow(long sumFlow) {
this.sumFlow = sumFlow;
}
public void setSumFlow() {
this.sumFlow = this.upFlow + this.downFlow;
}
//实现序列化和反序列化方法,注意顺序一定要一致
@Override
public void write(DataOutput out) throws IOException {
out.writeLong(this.upFlow);
out.writeLong(this.downFlow);
out.writeLong(this.sumFlow);
}
@Override
public void readFields(DataInput in) throws IOException {
this.upFlow = in.readLong();
this.downFlow = in.readLong();
this.sumFlow = in.readLong();
}
@Override
public String toString() {
return upFlow + "\t" + downFlow + "\t" + sumFlow;
}
@Override
public int compareTo(FlowBean o) {
//按照总流量比较,倒序排列
if(this.sumFlow > o.sumFlow){
return -1;
}else if(this.sumFlow < o.sumFlow){
return 1;
}else {
return 0;
}
}
}
（2）编写Mapper类
定义outK，outV，重写map方法，流程依然是获取数据、切割、封装上行流量下行流量总流量、写出
package com.shenbaoyun.mapreduce.writablecompable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
public class FlowMapper extends Mapper<LongWritable, Text, FlowBean, Text> {
private FlowBean outK = new FlowBean();
private Text outV = new Text();
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//1.获取一行数据
String line = value.toString();
//2.切割获取的数据
String[] split = line.split("\t");
//3.封装
outK.setUpFlow(Long.parseLong(split[1]));
outK.setDownFlow(Long.parseLong(split[2]));
outK.setSumFlow();
outV.set(split[0]);
//4.写出
context.write(outK, outV);
}
}
（4）编写Driver类
获取job对象、关联本Driver、关联Mapper、Reducer、设置map输出数据的kv类型、设置程序最终输出数据的kv类型、设置程序输入输出路径、提交job
package com.shenbaoyun.mapreduce.writablecompable;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.io.IOException;
public class FlowDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
//1.获取job对象
Configuration conf = new Configuration();
Job job = Job.getInstance();
//2.关联本Driver类
job.setJarByClass(FlowDriver.class);
//3.关联Mapper和Reducer
job.setMapperClass(FlowMapper.class);
job.setReducerClass(FlowReducer.class);
//4.设置Map输出数据的kv类型
job.setMapOutputKeyClass(FlowBean.class);
job.setMapOutputValueClass(Text.class);
//5.设置程序最终输出的kv类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(FlowBean.class);
//6.设置输入输出路径
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
//7.提交job
boolean b = job.waitForCompletion(true);
System.out.println(b ? 0 : 1);
}
}
3.3.6、WritableComparable排序案例实操（区内排序）
1）按照每个省份手机号输出的文件中按照总流量内部排序
2）需求分析
1、数据输入
2、期望输出
3）案例
在上一个案例的基础上复制一份，并创建一个新类ProvincePartitioner2 ，集成Partitoner，重写getPartition方法，获取手机号前三位，根据手机号前三位设置分区号
package com.shenbaoyun.mapreduce.partitionercompable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Partitioner;
public class ProvincePartitioner2 extends Partitioner<FlowBean, Text> {
@Override
public int getPartition(FlowBean flowBean, Text text, int numPartitions) {
//获取手机号前三位判断省份
String phone = text.toString();
String prePhone = phone.substring(0, 3);
//定义一个分区号变量partition，根据prePhone设置分区号
int partition;
if("136".equals(prePhone)){
partition = 0;
}else if("137".equals(prePhone)){
partition = 1;
}else if("138".equals(prePhone)){
partition = 2;
}else if("139".equals(prePhone)){
partition = 3;
}else {
partition = 4;
}
//最后返回partition
return partition;
}
}
（2）在驱动类中添加以下代码
// 设置自定义分区器
job.setPartitionerClass(ProvincePartitioner2.class);
// 设置对应的ReduceTask的个数
job.setNumReduceTasks(5);
3.3.7、Combiner合并
（1）Combiner是MR程序中Mapper和Reduce之外的一种组件。
（2）Combiner组件的父类就是Reducer。
（3）Combiner和Reducer的区别在于运行的位置，Combiner是在每一个MapTask所在的节点运行，Reducer是接收全局所有的Mapper的输出结果。
（4）Combiner的意义就是对每一个MapTask的输出进行局部汇总，以减小网络传输。
（5）Combiner能够应用的前提下是不影响最终的业务逻辑，而且Combiner的输出kv应该跟Reducer的输入kv对应起来
（6）自定义实现步骤
（a）自定义一个Combiner集成Reducer，重写Reduce方法
public class WordCountCombiner extends Reducer<Text, IntWritable, Text, IntWritable> {
private IntWritable outV = new IntWritable();
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
int sum = 0;
for (IntWritable value : values) {
sum += value.get();
}
outV.set(sum);
context.write(key,outV);
}
}
（b）在Job驱动类中设置：
job.setCombinerClass(WordCountCombiner.class);
3.3.8、Combiner合并案例实操
1）需求
统计过程中对每一个MapTask的输出进行局部汇总，以减小网络传输量，即采用Combiner功能。
有两种实现方法
方案一、
（1）增加一个WordcountCombiner类继承Reducer
（2）在WordcountCombiner中统计单词汇总，将统计结果输出
方案二、
将WordcountReducer作为Combiner在WordcountDriver驱动类中指定
job.setCombinerClass(WordcountReducer.class);
2）需求分析
1、数据输入
2、期望输出
3）案例实操方案一
（1）复制WordCount案例，重命名为combiner，并增加一个WordcountCombiner类继承Reducer
package com.shenbaoyun.mapreduce.combiner;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
public class WordCountCombiner extends Reducer<Text, IntWritable,Text,IntWritable> {
private IntWritable outV = new IntWritable();
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
int sum=0;
for (IntWritable value : values) {
sum+=value.get();
}
//封装
outV.set(sum);
//写出
context.write(key,outV);
}
}
（2）在WordcountDriver驱动类中指定Combiner
// 指定需要使用combiner，以及用哪个类作为combiner的逻辑
job.setCombinerClass(WordCountCombiner.class);
4）案例实操-方案二
（1）将WordcountReducer作为Combiner在WordcountDriver驱动类中指定
// 指定需要使用Combiner，以及用哪个类作为Combiner的逻辑
job.setCombinerClass(WordCountReducer.class);
3.4、OutputFormat数据输出
3.4.1、OutputFormat接口实现类
OutputFormat是MapReduce输出的基类，所有实现MapReduce输出都实现了OutputFormat接口。
1、OutputFormat实现类
2、默认输出格式TextOutputFormat
3、自定义OutputFormat
（1）应用场景
输出数据到MySQL、HBase、Elasticsearch等存储框架中。
（2）自定义OutputFormat步骤
自定义一个类继承FileOutputFormat。
改写ReducerWrite，具体改写输出数据的方法wirte()。
3.4.2、自定义OutputFormat案例实操
1）需求
过滤输出的log日志，包含XX的网站输出到e:/xx.log，不包含XX的网站输出到e:/other.log。
（1）输入数据
log文件
（2）输出数据
xx.log、other.log
2）案例实操
（1）编写LogMapper类
package com.shenbaoyun.mapreduce.outputformat;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
public class LogMapper extends Mapper<LongWritable, Text,Text, NullWritable> {
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//不做任何处理,直接写出一行log数据
context.write(value,NullWritable.get());
}
}
（2）编写LogReducer类
package com.shenbaoyun.mapreduce.outputformat;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
public class LogReducer extends Reducer<Text, NullWritable,Text, NullWritable> {
@Override
protected void reduce(Text key, Iterable<NullWritable> values, Context context) throws IOException, InterruptedException {
// 防止有相同的数据,迭代写出
for (NullWritable value : values) {
context.write(key,NullWritable.get());
}
}
}
（3）自定义一个LogOutputFormat类
package com.shenbaoyun.mapreduce.outputformat;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.RecordWriter;
import org.apache.hadoop.mapreduce.TaskAttemptContext;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.io.IOException;
public class LogOutputFormat extends FileOutputFormat<Text, NullWritable> {
@Override
public RecordWriter<Text, NullWritable> getRecordWriter(TaskAttemptContext job) throws IOException, InterruptedException {
//创建一个自定义的RecordWriter返回
LogRecordWriter logRecordWriter = new LogRecordWriter(job);
return logRecordWriter;
}
}
（4）编写LogRecordWriter类
package com.shenbaoyun.mapreduce.outputformat;
import org.apache.hadoop.fs.FSDataOutputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.RecordWriter;
import org.apache.hadoop.mapreduce.TaskAttemptContext;
import java.io.IOException;
public class LogRecordWriter extends RecordWriter<Text, NullWritable> {
private FSDataOutputStream shenbaoyunOut;
private FSDataOutputStream otherOut;
public LogRecordWriter(TaskAttemptContext job) {
try {
//获取文件系统对象
FileSystem fs = FileSystem.get(job.getConfiguration());
//用文件系统对象创建两个输出流对应不同的目录
shenbaoyunOut = fs.create(new Path("d:/hadoop/shenbaoyun.log"));
otherOut = fs.create(new Path("d:/hadoop/other.log"));
} catch (IOException e) {
e.printStackTrace();
}
}
@Override
public void write(Text key, NullWritable value) throws IOException, InterruptedException {
String log = key.toString();
//根据一行的log数据是否包含shenbaoyun,判断两条输出流输出的内容
if (log.contains("shenbaoyun")) {
shenbaoyunOut.writeBytes(log + "\n");
} else {
otherOut.writeBytes(log + "\n");
}
}
@Override
public void close(TaskAttemptContext context) throws IOException, InterruptedException {
//关流
IOUtils.closeStream(shenbaoyunOut);
IOUtils.closeStream(otherOut);
}
}
（5）编写LogDriver类
package com.shenbaoyun.mapreduce.outputformat;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.io.IOException;
public class LogDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);
job.setJarByClass(LogDriver.class);
job.setMapperClass(LogMapper.class);
job.setReducerClass(LogReducer.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(NullWritable.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(NullWritable.class);
//设置自定义的outputformat
job.setOutputFormatClass(LogOutputFormat.class);
FileInputFormat.setInputPaths(job, new Path("D:\\input"));
//虽然我们自定义了outputformat，但是因为我们的outputformat继承自fileoutputformat
//而fileoutputformat要输出一个_SUCCESS文件，所以在这还得指定一个输出目录
FileOutputFormat.setOutputPath(job, new Path("D:\\logoutput"));
boolean b = job.waitForCompletion(true);
System.exit(b ? 0 : 1);
}
}
3.5、MapReduce内核源码解析
3.5.1、MapTask工作机制
MapTask分为很多个阶段，Read阶段、Map阶段、Collect阶段、溢写阶段、Merge阶段
（1）Read阶段：MapTask通过InputFormat获得的RecordReader，从输入InputSplit中解析出一个个key、value。
（2）Map阶段：该节点主要是将解析出的key、value交给用户编写的map()函数处理，并产生一系列新的key、value。
（3）Collect收集阶段：在用户编写map()函数中，当数据处理完成后一般会调用OutputCollector.collect()输出结果。在该函数内部，它会将生成key、value分区（调用Partirion方法）并写入一个环形内存缓冲区中。
（4）Spill阶段：即溢写阶段、当环形缓冲区满后，MapReduce会将数据写到本地磁盘上，生成一个临时文件。需要注意的是，将数据写入本地磁盘前先要对数据进行一次本地排序，并在必要时对数据进行合并压缩等操作。
溢写阶段详情：
步骤1：利用快速排序算法对缓存区内的数据进行排序，排序方式是，先按照分区编号Partition进行排序，然后按照key进行排序。这样，经过排序后，数据以分区为单位聚集在一起，且同一分区内所有数据按照key有序。
步骤2：按照分区编号由小到大依次将每个分区中的数据写入任务工作目录下的临时文件output/spillN.out（N表示当前溢写次数）中。如果用户设置了Combiner，则写入文件之前，对每个分区中的数据进行一次聚集操作。
步骤3：将分区数据的元信息写到内存索引数据结构SpillRecord中，其中每个分区的元信息包括在临时文件中的偏移量、压缩前数据大小和压缩后数据大小。如果当前内存索引大小超过1MB，则将内存索引写到文件output/spillN.out.index中。
（5）Merge阶段：当所有数据处理完成后MapTask对所有临时文件进行一次合并，以确保最终只会形成一个文件。
当所有数据处理完成后MapTask、将所有临时文件合并成一个大文件并保存到output/file.out中，同时生成相应的索引文件output/file.out.index。
在进行文件合并过程中，MapTask以分区为单位进行合并。对于某个分区，它将采用多轮递归合并的方式，每轮合并mapreduce.task.io.sort.factor（默认10）个文件，并将产生的文件重新加入待合并列表中，对文件排序后重复以上过程，直到最终得到一个大文件。
让每个MapTask最终只生成一个数据文件可避免同时打开大量文件和读取大量文件产生的随机读取带来的开销。
3.5.2、ReduceTask工作机制
ReduceTask分多个阶段，Copy阶段、Sort阶段、Reduce阶段
（1）Copy阶段：ReduceTask从各个MapTask上远程拷贝一片数据，并针对某一片数据，如果其大小超过一定阈值，则写入到磁盘上，否则直接放到内存中。
（2）Sort阶段：在远程拷贝数据的同时，ReduceTask启动了两个后台线程对内存和磁盘上的文件进行合并，以防止内存使用过多或磁盘上文件过多。按照MapReduce语义，用户编写reduce方法输入数据是按照key进行聚集的一组数据。为了将key相同的数据聚在一起，Hadoop采用了基于排序的策略。由于各个MapTask已经实现了对自己的处理结果进行了局部排序，因此ReduceTask只需要对所有的数据进行一次归并排序即可。
（3）Reduce阶段：reduce方法将计算结果写到HDFS上
3.5.3、ReduceTask并行度决定机制
回顾：MapTask并行度由切片决定，切片个数由输入文件和切片规则决定。
问？ReduceTask并行度由谁决定？
1）设置ReduceTask并行度
ReduceTask并行度同样影响整个Job的并发度和执行效率，但与MapTask的并发数由切片数决定不同，ReduceTask数量的决定是可以手动设置的。
// 默认值是1，手动设置为4
job.setNumReduceTasks(4);
2）注意事项
（1）ReduceTask=0表示没有Reduce阶段、输出文件个数和Map个数一致。
（2）ReduceTask默认值是1，所以输出文件个数为1.
（3）如果数据分布不均匀，有肯能在Reduce阶段产生数据倾斜。
（4）ReduceTask数量并不是任意设置的，还要考虑业务逻辑需求，有些情况下需要计算全局汇总结果，只能有一个ReduceTask。
（5）具体有多少个ReduceTask需要根据集群性能来定。
（6）如果分区数不是1，但是ReduceTask为1，则不执行分区过程，因为在MapTask源码中，执行分区的前提是判断ReduceNum的个数是否大于1。
3.6、Join应用
3.6.1、Reduce Join
Map端的主要工作为来自不同表或文件的kv对，打标签，以区分不同来源的记录，然后用连接字段作为key，其余部分和新加的标志为value，最后进行输出。
Reduce端的主要工作：在Reduce端连接字段作为key的分组已完成，我们只需要在每一个分组中将那些来源于不同文件的记录（在Map阶段已经打标志）分开，最后进行合并即可。
3.6.2、ReduceJoin案例
（1）创建商品和订单合并后的TableBean类
package com.shenbaoyun.mapreduce.reducejoin;
import org.apache.hadoop.io.Writable;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
public class TableBean implements Writable {
private String id; //订单id
private String pid; //产品id
private int amount; //产品数量
private String pname; //产品名称
private String flag; //判断是order表还是pd表的标志字段
public TableBean() {
}
public String getId() {
return id;
}
public void setId(String id) {
this.id = id;
}
public String getPid() {
return pid;
}
public void setPid(String pid) {
this.pid = pid;
}
public int getAmount() {
return amount;
}
public void setAmount(int amount) {
this.amount = amount;
}
public String getPname() {
return pname;
}
public void setPname(String pname) {
this.pname = pname;
}
public String getFlag() {
return flag;
}
public void setFlag(String flag) {
this.flag = flag;
}
@Override
public String toString() {
return id + "\t" + pname + "\t" + amount;
}
@Override
public void write(DataOutput out) throws IOException {
out.writeUTF(id);
out.writeUTF(pid);
out.writeInt(amount);
out.writeUTF(pname);
out.writeUTF(flag);
}
@Override
public void readFields(DataInput in) throws IOException {
this.id = in.readUTF();
this.pid = in.readUTF();
this.amount = in.readInt();
this.pname = in.readUTF();
this.flag = in.readUTF();
}
}
（2）编写TableMapper类
package com.shenbaoyun.mapreduce.reducejoin;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.InputSplit;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileSplit;
import java.io.IOException;
public class TableMapper extends Mapper<LongWritable,Text,Text,TableBean> {
private String filename;
private Text outK = new Text();
private TableBean outV = new TableBean();
@Override
protected void setup(Context context) throws IOException, InterruptedException {
//获取对应文件名称
InputSplit split = context.getInputSplit();
FileSplit fileSplit = (FileSplit) split;
filename = fileSplit.getPath().getName();
}
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//获取一行
String line = value.toString();
//判断是哪个文件,然后针对文件进行不同的操作
if(filename.contains("order")){
//订单表的处理
String[] split = line.split("\t");
//封装outK
outK.set(split[1]);
//封装outV
outV.setId(split[0]);
outV.setPid(split[1]);
outV.setAmount(Integer.parseInt(split[2]));
outV.setPname("");
outV.setFlag("order");
}else {
//商品表的处理
String[] split = line.split("\t");
//封装outK
outK.set(split[0]);
//封装outV
outV.setId("");
outV.setPid(split[0]);
outV.setAmount(0);
outV.setPname(split[1]);
outV.setFlag("pd");
}
//写出KV
context.write(outK,outV);
}
}
（3）编写TableReducer类
package com.shenbaoyun.mapreduce.reducejoin;
import org.apache.commons.beanutils.BeanUtils;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
import java.lang.reflect.InvocationTargetException;
import java.util.ArrayList;
public class TableReducer extends Reducer<Text,TableBean,TableBean, NullWritable> {
@Override
protected void reduce(Text key, Iterable<TableBean> values, Context context) throws IOException, InterruptedException {
ArrayList<TableBean> orderBeans = new ArrayList<>();
TableBean pdBean = new TableBean();
for (TableBean value : values) {
//判断数据来自哪个表
if("order".equals(value.getFlag())){
//订单表
//创建一个临时TableBean对象接收value
TableBean tmpOrderBean = new TableBean();
try {
BeanUtils.copyProperties(tmpOrderBean,value);
} catch (IllegalAccessException e) {
e.printStackTrace();
} catch (InvocationTargetException e) {
e.printStackTrace();
}
//将临时TableBean对象添加到集合orderBeans
orderBeans.add(tmpOrderBean);
}else {
//商品表
try {
BeanUtils.copyProperties(pdBean,value);
} catch (IllegalAccessException e) {
e.printStackTrace();
} catch (InvocationTargetException e) {
e.printStackTrace();
}
}
}
//遍历集合orderBeans,替换掉每个orderBean的pid为pname,然后写出
for (TableBean orderBean : orderBeans) {
orderBean.setPname(pdBean.getPname());
//写出修改后的orderBean对象
context.write(orderBean,NullWritable.get());
}
}
}
（4）编写TableDriver类
package com.shenbaoyun.mapreduce.reducejoin;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.io.IOException;
public class TableDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
Job job = Job.getInstance(new Configuration());
job.setJarByClass(TableDriver.class);
job.setMapperClass(TableMapper.class);
job.setReducerClass(TableReducer.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(TableBean.class);
job.setOutputKeyClass(TableBean.class);
job.setOutputValueClass(NullWritable.class);
FileInputFormat.setInputPaths(job, new Path("D:\\input"));
FileOutputFormat.setOutputPath(job, new Path("D:\\output"));
boolean b = job.waitForCompletion(true);
System.exit(b ? 0 : 1);
}
}
2）总结
这种方式中，合并的操作是在Reduce中完成，Reduce端处理的的压力很大，Map节点的负载很低，资源利用不高，且在Reduce阶段极易产生数据倾斜。
3.6.3、Map Join
1）使用场景
MapJoin适用于大表小表的场景
2）Reduce数据倾斜怎么办？
在Map端缓存多张表，提前处理业务逻辑，增加Map端业务，减少Reduce端数据的压力，减少数据倾斜。
3）具体办法采用DistributedCache
（1）在Mapper的setUp阶段将文件读取到缓存集合中。
（2）在Driver驱动类中加载缓存
//缓存普通文件到Task运行节点。
//job.addCacheFile(new URI("file:///e:/cache/XXX"));
//如果是集群运行,需要设置HDFS路径
job.addCacheFile(new URI("hdfs://hadoop100:8020/cache/XXX"));
3.6.4、MapJoin案例
1）MapJoin适用于大表关联小表的场景
2）操作步骤
（1）DistributedCacheDriver缓存文件
//加载缓存数据
job.addCacheFile(new URI("hdfs://hadoop100:8020/cache/XXX"));
//Map端join的逻辑不需要Reduce阶段，设置ReduceTask数量为0
job.setNumReduceTask(0);
（2）读取缓存的文件数据
setup方法：
1、获取缓存文件
2、循环读取缓存文件一行
3、切割
4、缓存数据到集合
5、关闭流
map方法：
1、获取一行
2、截取
3、获取pid
4、获取订单id和商品名
5、拼接
6、写出
（3）实现
（1）先在MapJoinDriver驱动类中添加缓存文件
package com.shenbaoyun.mapreduce.mapjoin;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;
public class MapJoinDriver {
public static void main(String[] args) throws IOException, URISyntaxException, ClassNotFoundException, InterruptedException {
// 1 获取job信息
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);
// 2 设置加载jar包路径
job.setJarByClass(MapJoinDriver.class);
// 3 关联mapper
job.setMapperClass(MapJoinMapper.class);
// 4 设置Map输出KV类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(NullWritable.class);
// 5 设置最终输出KV类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(NullWritable.class);
// 加载缓存数据
job.addCacheFile(new URI("file:///D:/input/tablecache/pd.txt"));
// Map端Join的逻辑不需要Reduce阶段，设置reduceTask数量为0
job.setNumReduceTasks(0);
// 6 设置输入输出路径
FileInputFormat.setInputPaths(job, new Path("D:\\input"));
FileOutputFormat.setOutputPath(job, new Path("D:\\output"));
// 7 提交
boolean b = job.waitForCompletion(true);
System.exit(b ? 0 : 1);
}
}
（2）在MapJoinMapper类中的setup方法中读取缓存文件
package com.shenbaoyun.mapreduce.mapjoin;
import org.apache.commons.lang.StringUtils;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.URI;
import java.util.HashMap;
import java.util.Map;
public class MapJoinMapper extends Mapper<LongWritable, Text, Text, NullWritable> {
private Map<String, String> pdMap = new HashMap<>();
private Text text = new Text();
//任务开始前将pd数据缓存进pdMap
@Override
protected void setup(Context context) throws IOException, InterruptedException {
//通过缓存文件得到小表数据pd.txt
URI[] cacheFiles = context.getCacheFiles();
Path path = new Path(cacheFiles[0]);
//获取文件系统对象,并开流
FileSystem fs = FileSystem.get(context.getConfiguration());
FSDataInputStream fis = fs.open(path);
//通过包装流转换为reader,方便按行读取
BufferedReader reader = new BufferedReader(new InputStreamReader(fis, "UTF-8"));
//逐行读取，按行处理
String line;
while (StringUtils.isNotEmpty(line = reader.readLine())) {
//切割一行
//01 小米
String[] split = line.split("\t");
pdMap.put(split[0], split[1]);
}
//关流
IOUtils.closeStream(reader);
}
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//读取大表数据
//1001 01 1
String[] fields = value.toString().split("\t");
//通过大表每行数据的pid,去pdMap里面取出pname
String pname = pdMap.get(fields[1]);
//将大表每行数据的pid替换为pname
text.set(fields[0] + "\t" + pname + "\t" + fields[2]);
//写出
context.write(text,NullWritable.get());
}
}
3.7 数据清洗（ETL）
ETL是英文Extract-Transform-Load的缩写，用来描述将数据从来源端经过抽取（Extract）、转换（Transform）、加载（Load）至目的端的过程。ETL经常用在数据仓库，但不限于数据仓库。
在运行核心业务MapReduce程序之前，往往要对数据进行清洗，清理掉不符合用户要求的数据。清洗过程往往只需要运行Mapper程序，不需要运行Reduce程序。
1）需求
去除日志中字段个数小于等于11的日志
2）实现
（1）编写WebLogMapper类
package com.shenbaoyun.mapreduce.weblog;
import java.io.IOException;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
public class WebLogMapper extends Mapper<LongWritable, Text, Text, NullWritable>{
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
// 1 获取1行数据
String line = value.toString();
// 2 解析日志
boolean result = parseLog(line,context);
// 3 日志不合法退出
if (!result) {
return;
}
// 4 日志合法就直接写出
context.write(value, NullWritable.get());
}
// 2 封装解析日志的方法
private boolean parseLog(String line, Context context) {
// 1 截取
String[] fields = line.split(" ");
// 2 日志长度大于11的为合法
if (fields.length > 11) {
return true;
}else {
return false;
}
}
}
（2）编写WebLogDriver类
package com.shenbaoyun.mapreduce.weblog;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
public class WebLogDriver {
public static void main(String[] args) throws Exception {
// 输入输出路径需要根据自己电脑上实际的输入输出路径设置
args = new String[] {
"D:/input/inputlog", "D:/output1" };
// 1 获取job信息
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);
// 2 加载jar包
job.setJarByClass(LogDriver.class);
// 3 关联map
job.setMapperClass(WebLogMapper.class);
// 4 设置最终输出类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(NullWritable.class);
// 设置reducetask个数为0
job.setNumReduceTasks(0);
// 5 设置输入和输出路径
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
// 6 提交
boolean b = job.waitForCompletion(true);
System.exit(b ? 0 : 1);
}
}
3.8、MapReduce开发总结
1）输入数据接口是InputFormat
（1）默认使用的实现类是TextInputFormat
（2）TextInputFormat的功能逻辑是一次读取一行文本，然后将该行的起始偏移量作为key，行内容作为value返回。
（3）CombineTextInputFormat可以把多个小文件合并成一个切片处理，提高工作效率。
2）逻辑处理接口Mapper
根据业务需求实现map，setup，cleanup方法。
3）partitioner分区
（1）有默认实现HashPartitioner，逻辑是根据key的哈希值和numReduces来返回一个分区号，key.hashCode()&Integer.MAXVALUE % numReduces
（2）如果业务上有特别的需求可以自定义分区。
4）Comparable排序
（1）当我们用自定义的对象作为key来输出时，就必须要实现WritableComparable接口重写其中的compareTo方法。
（2）部分排序：对最终输出的每一个文件进行内部排序。
（3）全排序：对所有数据进行排序，通常只有一个Reduce。
（4）二次排序：排序的条件有两个。
5）Combiner合并
Combiner合并可以提高程序执行效率，减少IO传输，但是使用时不能影响原有的业务处理结果。
6）逻辑处理接口Reducer
用户根据业务需求实现reduce，setup，cleanup方法
7）输出数据接口
（1）默认实现类是TextOutputFormat，功能逻辑是将每一个kv对向目标文本文件输出一行。
（2）用户还可以自定义OutputFormat。
4、Hadoop数据压缩
4.1、概述
1）压缩的好处和坏处
压缩的优点：以减少磁盘IO、减少磁盘存储空间。
压缩的缺点：增加CPU开销。
2）压缩原则
（1）运算密集型的Job，少用压缩
（2）IO密集型的Job，多用压缩
4.2、MR支持的压缩编码
1）压缩算法对比介绍
| 压缩格式 | Hadoop自带？ | 算法 | 文件扩展名 | 是否可切片 | 换成压缩格式后，原来的程序是否需要修改 |
|---|---|---|---|---|---|
| DEFLATE | 是，直接使用 | DEFLATE | .deflate | 否 | 和文本处理一样，不需要修改 |
| Gzip | 是，直接使用 | DEFLATE | .gz | 否 | 和文本处理一样，不需要修改 |
| bzip2 | 是，直接使用 | bzip2 | .bz2 | 是 | 和文本处理一样，不需要修改 |
| LZO | 否，需要安装 | LZO .lzo | 是 | 需要建索引，还需要指定输入格式 | |
| Snappy | 是，直接使用 Snappy | .snappy | 否 | 和文本处理一样，不需要修改 |
2）压缩性能的比较
| 压缩算法 | 原始文件大小 | 压缩文件大小 | 压缩速度 | 解压速度 |
|---|---|---|---|---|
| gzip | 8.3GB | 1.8GB | 17.5MB/s | 58MB/s |
| bzip2 | 8.3GB | 1.1GB | 2.4MB/s | 9.5MB/s |
| LZO | 8.3GB | 2.9GB | 49.3MB/s | 74.6MB/s |
http://google.github.io/snappy/
Snappy is a compression/decompression library. It does not aim for maximum compression, or compatibility with any other compression library; instead, it aims for very high speeds and reasonable compression. For instance, compared to the fastest mode of zlib, Snappy is an order of magnitude faster for most inputs, but the resulting compressed files are anywhere from 20% to 100% bigger.On a single core of a Core i7 processor in 64-bit mode, Snappy compresses at about 250 MB/sec or more and decompresses at about 500 MB/sec or more.
4.3 压缩方式选择
压缩方式选择时重点考虑：压缩/解压缩速度、压缩率（压缩后存储大小）、压缩后是否可以支持切片。
4.3.1 Gzip压缩
优点：压缩率比较高；
缺点：不支持Split；压缩/解压速度一般；
4.3.2 Bzip2压缩
优点：压缩率高；支持Split；
缺点：压缩/解压速度慢。
4.3.3 Lzo压缩
优点：压缩/解压速度比较快；支持Split；
缺点：压缩率一般；想支持切片需要额外创建索引。
4.3.4 Snappy压缩
优点：压缩和解压缩速度快；
缺点：不支持Split；压缩率一般；
4.3.5 压缩位置选择
压缩可以在MapReduce作用的任意阶段启用。
5、常见错误及解决方案
1）导包容易出错。尤其Text和CombineTextInputFormat。
2）Mapper中第一个输入的参数必须是LongWritable或者NullWritable，不可以是IntWritable. 报的错误是类型转换异常。
3）java.lang.Exception: java.io.IOException: Illegal partition for 13926435656 (4)，说明Partition和ReduceTask个数没对上，调整ReduceTask个数。
4）如果分区数不是1，但是reducetask为1，是否执行分区过程。
答案是：不执行分区过程。因为在MapTask的源码中，执行分区的前提是先判断ReduceNum个数是否大于1。不大于1肯定不执行。
5）在Windows环境编译的jar包导入到Linux环境中运行，
hadoop jar wc.jar com.shenbaoyun.mapreduce.wordcount.WordCountDriver /user/shenbaoyun/ /user/shenbaoyun/output
报如下错误：
Exception in thread “main” java.lang.UnsupportedClassVersionError: com/shenbaoyun/mapreduce/wordcount/WordCountDriver : Unsupported major.minor version 52.0
原因是Windows环境用的jdk1.7，Linux环境用的jdk1.8。
解决方案：统一jdk版本。
6）缓存pd.txt小文件案例中，报找不到pd.txt文件
原因：大部分为路径书写错误。还有就是要检查pd.txt.txt的问题。还有个别电脑写相对路径找不到pd.txt，可以修改为绝对路径。
7）报类型转换异常。
通常都是在驱动函数中设置Map输出和最终输出时编写错误。
Map输出的key如果没有排序，也会报类型转换异常。
8）集群中运行wc.jar时出现了无法获得输入文件。
原因：WordCount案例的输入文件不能放用HDFS集群的根目录。