大数据时代之hadoop(三)：hadoop数据流（生命周期）
大数据时代之hadoop(四)：hadoop 分布式文件系统（HDFS)
hadoop的核心分为两块，一是分布式存储系统-hdfs，这个我已经在上一章节大致讲了一下，还有一个就是hadoop的计算框架-mapreduce。
mapreduce事实上就是一个移动式的基于key-value形式的分布式计算框架。
其计算分为两个阶段，map阶段和reduce阶段，都是对数据的处理，由于其入门很easy，可是若想理解当中各个环节及实现细节还是有一定程度的困难，因此我计划在本文中仅仅是挑几个mapreduce的核心来进行分析解说。
1、MapReduce驱动程序默认值
编写mapreduce程序easy入手的当中一个原因就在于它提供了一些了的默认值，而这些默认值刚好就是供开发环境设置而设定的。
尽管easy入手，但还是的理解mapreduce的精髓，由于它是mapreduce的引擎，仅仅有理解了mapreduce的核心，当你在编写mapreduce程序的时候，你所编写的程序才是终于稳重的。想要的程序。废话少说，见以下代码：
public int run(String[] args) throws IOException {
JobConf conf = new JobConf();
/**
*默认的输入格式，即mapper程序要处理的数据的格式。hadoop支持非常多种输入格式，以下会具体解说，
*但TextInputFormat是最常使用的（即普通文本文件，key为LongWritable-文件里每行的開始偏移量，value为Text-文本行）。
**/
conf.setInputFormat(org.apache.hadoop.mapred.TextInputFormat.class);
/**
*真正的map任务数量取决于输入文件的大小以及文件块的大小
**/
conf.setNumMapTasks(1);
/**
*默认的mapclass，假设我们不指定自己的mapper class时，就使用这个IdentityMapper 类
**/
conf.setMapperClass(org.apache.hadoop.mapred.lib.IdentityMapper.class);
/**
* map 任务是由MapRunner负责执行的。MapRunner是MapRunnable的默认实现，它顺序的为每一条记录调用一次Mapper的map()方法，具体解释代码 --重点
*/
conf.setMapRunnerClass(org.apache.hadoop.mapred.MapRunner.class);
/**
* map任务输出结果的key 和value格式
*/
conf.setMapOutputKeyClass(org.apache.hadoop.io.LongWritable.class);
conf.setMapOutputValueClass(org.apache.hadoop.io.Text.class);
/**
* HashPartitioner 是默认的分区实现，它对map 任务执行后的数据进行分区，即把结果数据划分成多个块（每一个分区相应一个reduce任务）。
* HashPartitioner是对每条 记录的键进行哈希操作以决定该记录应该属于哪个分区。
*
*/
conf.setPartitionerClass(org.apache.hadoop.mapred.lib.HashPartitioner.class);
/**
* 设置reduce任务个数
*/
conf.setNumReduceTasks(1);
/**
*默认的reduce class，假设我们不指定自己的reduce class时，就使用这个IdentityReducer 类
**/
conf.setReducerClass(org.apache.hadoop.mapred.lib.IdentityReducer.class);
/**
* 任务终于输出结果的key 和value格式
*/
conf.setOutputKeyClass(org.apache.hadoop.io.LongWritable.class);
conf.setOutputValueClass(org.apache.hadoop.io.Text.class);
/**
* 终于输出到文本文件类型中
*/
conf.setOutputFormat(org.apache.hadoop.mapred.TextOutputFormat.class);/*]*/
JobClient.runJob(conf);
return 0;
}
我要说的大部分都包括在了代码的凝视里面，除此之外，另一点：因为java的泛型机制有非常多限制：类型擦除导致执行过程中类型信息并不是一直可见，所以hadoop须要明白设定map。reduce输入和结果类型。
上面比較重要的就是MapRunner这个类，它是map任务执行的引擎，默认实现例如以下：
public class MapRunner<K1, V1, K2, V2>
implements MapRunnable<K1, V1, K2, V2> {
private Mapper<K1, V1, K2, V2> mapper;
private boolean incrProcCount;
@SuppressWarnings("unchecked")
public void configure(JobConf job) {
//通过反射方式取得map 实例
this.mapper = ReflectionUtils.newInstance(job.getMapperClass(), job);
//increment processed counter only if skipping feature is enabled
this.incrProcCount = SkipBadRecords.getMapperMaxSkipRecords(job)>0 &&
SkipBadRecords.getAutoIncrMapperProcCount(job);
}
public void run(RecordReader<K1, V1> input, OutputCollector<K2, V2> output,
Reporter reporter)
throws IOException {
try {
// allocate key & value instances that are re-used for all entries
K1 key = input.createKey();
V1 value = input.createValue();
while (input.next(key, value)) {
// map pair to output
//循环调用map函数
mapper.map(key, value, output, reporter);
if(incrProcCount) {
reporter.incrCounter(SkipBadRecords.COUNTER_GROUP,
SkipBadRecords.COUNTER_MAP_PROCESSED_RECORDS, 1);
}
}
} finally {
mapper.close();
}
}
protected Mapper<K1, V1, K2, V2> getMapper() {
return mapper;
}
}
要相信，有些时候还是看源代码理解的更快！
2、shuffle
shuffle过程事实上就是从map的输出到reduce的输入过程中所经历的步骤，堪称mapreduce的“心脏”，分为3个阶段，map端分区、reduce端复制、reduce排序（合并）阶段。
2.1、map端分区
因为在mapreduce计算中。有多个map任务和若干个reduce不论什么。并且各个任务都可能处于不同的机器里面，所以怎样从map任务的输出到reduce的输入是一个难点。
map函数在产生输出时，并非简单的写到磁盘中，而是利用缓冲的形式写入到内存，并出于效率进行预排序，步骤例如以下图：
在写磁盘之前，线程首先依据reduce的个数将输出数据划分成响应的分区（partiton）。在每一个分区中。后台线程按键进行内排序，假设有个一combiner，它会在排序后的输出上执行。
2.2、reduce端复制阶段
因为map任务的输出文件写到了本地磁盘上，并且划分成reduce个数的分区（每一个reduce须要一个分区）。因为map任务完毕的时间可能不同，因此仅仅要一个任务完毕。reduce任务就開始复制其输出，这就是reduce任务的复制阶段。如上图所看到的。
2.3、reduce端排序（合并）阶段
复制全然部map输出后，reduce任务进入排序阶段（sort phase），这个阶段将合并map输出，维持其顺序排序，如上图所看到的。
3、输入与输出格式
随着时间的添加，数据的增长也是指数级的增长。且数据的格式也越来越多，对大数据的处理也就越来越困难。为了适应能够处理各种各样的数据，hadoop提供了一系列的输入和输出格式控制，其目的非常easy，就是能够解析各种输入文件，并产生须要的输出格式数据。
可是无论处理哪种格式的数据，都要与mapreduce结合起来，才干最大化的发挥hadoop的有点。
这部分也是hadoop的核心啊！
3.1、输入分片与记录
在讲HDFS的时候，说过，一个输入分片就是由单个map任务处理的输入块。一个分片的大小最好与hdfs的块大小同样。
每一个分片被划分成若干个记录，每一个记录就是一个键值对，map一个接一个的处理每条记录。
在数据库常见中，一个输入分片能够相应一个表的若干行，而一条记录相应一行（DBInputFormat）。
输入分片在hadoop中表示为InputSplit接口，有InputFormat创建的。
InputFormat负责产生输入分片并将他们切割成记录，其仅仅是一个接口。详细任务有详细实现去做的。
3.2、FileInputFormat
FileInputFormat是全部使用文件作为其数据源的InputFormat实现的基类，它提供了两个功能：一个定义哪些文件包括在作业的输入中；一个为输入文件产生分片的实现。把分片割成基类的作业有其子类实现,FileInputFormat是个抽象类。
FileInputFormat实现了把文件分区的功能。但它是怎么来实现了呢？须要先说三个參数：
属性名称 | 类型 | 默认值 | 描写叙述 |
mapred.min.split.size | Int | 1 | 一个文件分片的最小字节数 |
mapred.max.split.size | Long | Long.MAX_VALUE | 一个文件分片的最大字节数 |
dfs.block.size | long | 64M | HDFS中块大小 |
分片的大小有一个公式计算（參考FileInputFomat类的computeSplitSize（）方法）
max（minimumSize,min(maximumSize,blockSize)）
默认情况下： minimumSize < blockSize < maximumSize
FileInputFormat仅仅切割大文件，即文件大小超过块大小的文件。
FileInputFormat生成的InputSplit是一整个文件（文件太小，未被分区，整个文件当成一个分区。供map任务处理）或该文件的一部分（文件大，被分区）。
3.3、经常使用的InputFormat实现
小文件与CombineFileInputFormat
尽管hadoop适合处理大文件，但在实际的情况中，大量的小文件处理是少不了的，因此hadoop提供了一个CombineFileInputFormat。它针对小文件而设计的。它把多个文件打包到一个分片中一般每一个mapper能够处理很多其它的数据。
TextInputFormat
hadoop默认的InputFormat。每一个记录的键是文件里行的偏移量，值为行内容。
KeyValueInputFormat
适合处理配置文件，文件里行中为key value格式的，如key=value类型的文件 ，key即为行中的key。value即为行中的value。
NLineInputFormat
也是为处理文本文件而开发的。它的特点是为每一个map任务收到固定行数的输入，其它与TextInputFormat类似。
SequenceFileInputFormat（二进制输入）
hadoop的顺序文件格式存储格式存储二进制的键值对序列，因为顺序文件里面存储的就是map结构的数据。所以刚好能够有SequenceFileInputFormat 来进行处理。
DBInputFormat
顾名思义。用于使用jdbc从关系数据库中读取数据。
多种输入
MultipleInputs类能够用来处理多种输入格式的数据，如输入数据中包括文本类型和二进制类型的。这个时候就能够用 MultipleInputs来指定某个文件有哪种输入类型和哪个map函数来解析。
3.4、输出格式
既然有输入格式，就有输出格式。与输入格式相应。
默认的输出格式是TextOutputFormat，它把记录写成文本行。键值对能够是随意类型， 键值对中间默认用制表符切割。
3.5、hadoop特性
除了上面几点之外，还有计数器、排序、连接等须要关注。详细待兴许吧。。。