105-120-Hadoop-MapReduce-outputformat：

105-Hadoop-MapReduce-outputformat：

OutputFormat 数据输出，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。下面我们介绍几种常见的OutputFormat实现类。

1．OutputFormat实现类

2．默认输出格式TextOutputFormat

3．自定义OutputFormat

3.1 应用场景：

​ 例如：输出数据到MySQL/HBase/Elasticsearch等存储框架中。

3.2 自定义OutputFormat步骤

​ ➢ 自定义一个类继承FileOutputFormat。

​ ➢ 改写RecordWriter，具体改写输出数据的方法write()。

自定义 OutputFormat 案例实操 (尚硅谷案例)

1）需求

过滤输入的 log 日志，包含 atguigu 的网站输出到 e:/atguigu.log，不包含 atguigu 的网站输出到 e:/other.log。

（1）输入数据：log.txt

（2）期望输出数据:atguigu.log, other.log

2）需求分析

1、需求：过滤输入的log日志，包含atguigu的网站输出到e:/atguigu.log，不包含atguigu的网站输出到e:/other.log

Hadoop-MapReduce-maptask-reducertask：

MapReduce 内核源码解析（图片来源bilibili尚硅谷）

（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 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，它会将生成的 key/value 分区（调用 Partitioner），并写入一个环形内存缓冲区中。

（4）Spill 阶段：即“溢写”，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之前，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， 以确保最终只会生成一个数据文件。

当所有数据处理完后，MapTask 会将所有临时文件合并成一个大文件，并保存到文件 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同时读取大量 小文件产生的随机读取带来的开销。

ReduceTask 工作机制

（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()函数输入数据是按 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 已经实现对自己的处理结果进行了局部排序，因此，ReduceTask 只需对所有数据进行一次归并排序即可。

（3）Reduce 阶段：reduce()函数将计算结果写到 HDFS 上。

ReduceTask 并行度决定机制

**回顾：**MapTask 并行度由切片个数决定，切片个数由输入文件和切片规则决定。

**思考：**ReduceTask 并行度由谁决定？

1）设置ReduceTask 并行度（个数）

ReduceTask 的并行度同样影响整个 Job 的执行并发度和执行效率，但与 MapTask 的并

发数由切片数决定不同，ReduceTask 数量的决定是可以直接手动设置：

// 默认值是 1，手动设置为 4
job.setNumReduceTasks(4);
1
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默认值就是1，所以输出文件个数为一个。

（3）如果数据分布不均匀，就有可能在Reduce阶段产生数据倾斜

（4）ReduceTask数量并不是任意设置，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，就只能有1个ReduceTask。

（5）具体多少个ReduceTask，需要根据集群性能而定。

（6）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。

1）MapTask 源码解析流程

context.write(k, NullWritable.get()); //自定义的 map 方法的写出，进入
	output.write(key, value); 
		//收集方法，进入两次
		collector.collect(key, value,partitioner.getPartition(key, value, partitions));
			HashPartitioner(); //默认分区器
		collect() //map 端所有的 kv 全部写出后会走下面的 close 方法
			close() 
				collector.flush() // 溢出刷写方法
					sortAndSpill() //溢写排序，
						sorter.sort() QuickSort //溢写排序方法
					mergeParts(); //合并文件
				collector.close(); //收集器关闭,即将进入 ReduceTask
1
2
3
4
5
6
7
8
9
10
11
12

mergeParts()

2）ReduceTask 源码解析流程

if (isMapOrReduce()) //
initialize() // reduceTask,进入
init(shuffleContext); // reduceTask,走到这需要先给下面的打断点
	totalMaps = job.getNumMapTasks(); // ShuffleSchedulerImpl，提前打断点
		merger = createMergeManager(context); //合并方法，// MergeManagerImpl 
		this.inMemoryMerger = createInMemoryMerger(); //内存合并
		this.onDiskMerger = new OnDiskMerger(this); //磁盘合并
rIter = shuffleConsumerPlugin.run();
	eventFetcher.start(); //开始抓取数据
	eventFetcher.shutDown(); //抓取结束
	copyPhase.complete(); //copy 阶段完成
	taskStatus.setPhase(TaskStatus.Phase.SORT); //开始排序阶段
	sortPhase.complete(); //排序阶段完成，即将进入 reduce 阶段 reduceTask
reduce(); //reduce 阶段调用的就是我们自定义的 reduce 方法，会被调用多次
	cleanup(context); //reduce 完成之前，会最后调用一次 Reducer 里面的 cleanup 方法
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Hadoop-MapReduce-reducerJoin：

Reduce Join

Map 端的主要工作：为来自不同表或文件的 key/value 对，打标签以区别不同来源的记 录。然后用连接字段作为 key，其余部分和新加的标志作为 value，最后进行输出。 Reduce 端的主要工作：在 Reduce 端以连接字段作为 key 的分组已经完成，我们只需要

在每一个分组当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，最后进行合并就 ok 了

Reduce Join 案例实操

1）需求

将商品信息表中数据根据商品 pid 合并到订单数据表中。

2）需求分析

通过将关联条件作为 Map 输出的 key，将两表满足 Join 条件的数据并携带数据所来源

的文件信息，发往同一个 ReduceTask，在 Reduce 中进行数据的串联。

3）代码实现

（1）创建商品和订单合并后的 TableBean 类

（2）编写 TableMapper 类

（3）编写 TableReducer 类

（4）编写 TableDriver 类

运行结果

地址：https://www.bilibili.com/video/BV1Qp4y1n7EN

或：https://gitee.com/HaoZhouRS/bigdata-study-code/tree/master/big-data-study/MapReduce-Demom/src/main/java/com/zh/mapreduce/reducejoin

总结

缺点：这种方式中，合并的操作是在 Reduce 阶段完成，Reduce 端的处理压力太大，Map

节点的运算负载则很低，资源利用率不高，且在 Reduce 阶段极易产生数据倾斜。

解决方案：Map 端实现数据合并。

Map Join

1）使用场景

Map Join 适用于一张表十分小、一张表很大的场景。

2）优点

思考：在 Reduce 端处理过多的表，非常容易产生数据倾斜。怎么办？

在 Map 端缓存多张表，提前处理业务逻辑，这样增加 Map 端业务，减少 Reduce 端数

据的压力，尽可能的减少数据倾斜。

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/pd.txt")); 
//如果是集群运行,需要设置 HDFS 路径 
job.addCacheFile(new URI("hdfs://hadoop102:8020/cache/pd.txt")); 
1
2
3
4

Map Join 案例实操

将商品信息表中数据根据商品 pid 合并到订单数据表中

需求分析

MapJoin 适用于关联表中有小表的情形。

代码：尚硅谷：https://www.bilibili.com/video/BV1Qp4y1n7EN?p=119

or

gitee：https://gitee.com/HaoZhouRS/bigdata-study-code/tree/master/big-data-study/MapReduce-Demom/src/main/java/com/zh/mapreduce/mapjoin

结果如下

代码（可bilibili自行找资料学习或者git）：

https://gitee.com/HaoZhouRS/bigdata-study-code/tree/master/big-data-study/MapReduce-Demom/src/main/java/com/zh/mapreduce/outputformat

学习路径：https://space.bilibili.com/302417610/，如有侵权，请联系q进行删除：3623472230