一、Mapper阶段

输入数据接口:InputFormat

默认使用的实现类是:TextInputFormat

  • TextInputFormat的功能逻辑是:一次读一行文本，然后将该行的起始 偏移量作为key，行内容作为value返回。
  • KeyValueTextInputFormat每一行均为一条记录，被分隔符分割为key， value。默认分隔符是tab(\t)。
  • NlineInputFormat按照指定的行数N来划分切片。
  • CombineTextInputFormat可以把多个小文件合并成一个切片处理，提高 处理效率。
  • 用户还可以自定义InputFormat。

逻辑处理接口:Mapper

用户根据业务需求实现其中三个方法:map() setup() cleanup ()

Partitioner分区

  • 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

  • 如果业务上有特别的需求，可以自定义分区

Comparable排序

  • 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。

  • 部分排序(分区排序):对最终输出的每一个文件进行内部排序。

  • 全排序:对所有数据进行排序，通常只有一个Reduce。

  • 二次排序:排序的条件有两个。

Combiner合并

Combiner合并可以提高程序执行效率，减少IO传输。但是使用时必须不能影响原有的业务处理结果。

二、Reducer阶段

Reduce端分组:GroupingComparator

在Reduce端对key进行分组。应用于:在接收的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进入到同一个reduce方法时，可以采用分组排序。

逻辑处理接口:Reducer

用户根据业务需求实现其中三个方法:reduce() setup() cleanup ()

输出数据接口:OutputFormat

  • 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。
  • 将SequenceFileOutputFormat输出作为后续 MapReduce任务的输入，这便是一种好的输出格式，因为它的格式紧凑，很容易被压缩。
  • 用户还可以自定义OutputFormat。