hadoop，用户制定类

转载： http://www.cnblogs.com/liqizhou/archive/2012/05/14/2499498.html

mapreduce是一个很精巧的构思和设计，对于很多计算问题，程序员通常可以使用默认设置取处理诸多底层的细节，但是，这并不意味着在解决复杂问题时，程序员就可以完全使用这二个函数就可以搞定一切，它还需要更加复杂和灵活的处理机制以及高级的编程技术和方法。本节介绍hadoop中mapreduce比较高级的方法---用户制定类。为什么要用户自定义类，一种直观的猜测就是基本的mapreduce处理不了或者处理的效果不好，才有可能用到用户制定，随着深入的学习，这些问题到处可见。比如文档的倒排索引，制定(优化）的目的就是减少中间键，从而减少每次的读写I/O和网络的压力。

1.  用户自定义数组类型

    虽然hadoop中内置8种数据类型，我见过8种，但不一定就8种，这里就认为是8种吧，他们都实现了WritableComparable接口，这种好处就是可以被序列化进行网路传输和文件存储。BooleanWritable, ByteWritable, FloatWritable, IntWritable,LongWritable,Text, NullWritble，前几种大家都可以猜到表示是什么数据类型，Text表示使用UTF格式的存储的文本。好像visual stdio 中text控件，也是对String类型的一种包装。

    自定义类型必须符合二个条件，第一：实现Writable接口。第二：如果该函数需要作为主键Key使用，或者要比较数值大小时，则要实现WritableComparable接口。下例子是一个圆为例。circle

public class Cricle implements Writable<Circle>{    private float radius,x,y;    public float GetRadius(){return radius;}    public float GetX(){return x;}    public float GetY(){return y;}    public void readFields(DataInput in)throws IOException{        radius=in.readFloat();        x=in.readFloat();        y=in.readFloat();    }    public void write(DataOutput out)throws IOException{        out.writeFloat(radius);        out.writeFloat(x);        out.writeFloat(y);    }    public int CompareTo(Circle cl){        if(cl.radius==this.radius)            return 0;        if(cl.x>this.x)            return 1;        if(cl.y<this.y)            return -1;    }}

以上代码就是手写的，没有进行测试，肯定还有错误，只是向说明问题。readFields() 和write()实现Writable接口中定义的二中方法。

 

2. 用户制定输入/输出

尽管Hadoop提供了较为丰富的数据输入/输出格式，可以满足很多应用的需要，但是，对于特殊的要求，还是要用户自己制定。比如说，Hadoop默认的数据输入格式为TextInputFormat，可以将文本文件分块并逐行读入以便Map节点进行处理，每行所产生的Key是文本的字节位置的偏移量，而value就是该行的内日内个。但现在需要文件名@文本偏移量作为key，所以就需要制定输入类，假定现在制定一个数据输入格式FileNameInputFormat和fileNameRecordReader,比便直接产生FileName@lineoffset.

public class FileNameInputFormat extends FileInputForamt<Text,Text>{    public RecordReader<Text,Text>createRecordReader(InputSplit split,TaskAttemptContext context)throws IOException{        FileNameRecordReader fnrr = new FileNameRecordReader();        fnrr.initialize(split,context);    }}public class FileNameRecordReader extends            RecordReader<Text, Text> {        String FileName;        LineRecordReader lrr = new LineRecordReader();        public Text getCurrentKey() throws IOException {            return new Text("(" + FileName + "@" + lrr.getCurrentKey() + ")");        }        public Text getCurrentValue() throws IOException, InterruptedException {            return new Text(lrr.getCurrentKey().toString());        }        public void initialize(InputSplit arg0, TaskAttemptContext arg1)                throws IOException {            lrr.initialize(arg0, arg1);            FileName = ((FileSplit) arg0).getPath().getName();        }}

 没事什么好讲的，仔细看都能看的懂，输出就不讲了，和输入差不多。

 

3. 用户制定Patritioner和Combiner

   Patritioner来完成中间结果向Reduce节点分区处理，通常是利用hash进行分配，hash划分主要是靠主键进行划分，即相同的主键划分到相同桶中，在mapreduce中就是划分到相同的reduce中。那么现在设想一个问题，我需要将这样的数据划分到一个reduce中，该怎么办？ 数据为 hello:1, hello:2,hello:3,hello:4,......., 显然，用hash直接划分是不行的，这是我们可以观察到这些数据都具有一个hello，我们只需要在提取hello作为主键，在用hash划分，就可以把这些数据都划分到同一个reduce中，下面就个例子，给出Patritioner代码：

public class NParterioner extends HashPartitioner<Text,Text>{    public getPartition(Text key,Text value, int numReduceTasks){                String t=key.toString().split(":")[0];        Text term;        term.set(t);        super.getPartition(term,value,numReduceTasks);    }}

还有像map，reduce， combiner的制定都是一样的道理。

 

总结：

      用户类的制定主要取决于特定的应用的场合，但其目标都是不变的（减少中间结果来减小I/O和网络传输数据的压力）。