1、OutputFormat数据输出
1.1 OutputFormat接口实现类
OutputFormat是MapReduce输出的基类，所以实现MapReduce输出都实现了OutputFormat接口。
1、MapReduce默认的输出格式是TextOutputFormat
2、也可以自定义OutputFormat类，只要继承就行。
1.2 自定义OutputFormat案例实操
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
链接：https://pan.baidu.com/s/1UYNVYaRCxp5kbrbS8AXJaw
提取码：zhm6
2、需求分析
3、案例实操
（1）Mapper类
package org.example._08outputformat; 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; /** * @ClassName LogMapper * @Description TODO * @Author Zouhuiming * @Date 2023/5/22 9:26 * @Version 1.0 */ public class LogMapper extends Mapper<LongWritable, Text,Text, NullWritable> { @Override protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, NullWritable>.Context context) throws IOException, InterruptedException { context.write(value,NullWritable.get()); } }
（2）Reducer类
package org.example._08outputformat; import org.apache.hadoop.io.NullWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Reducer; import java.io.IOException; /** * @ClassName LogReducer * @Description TODO * @Author Zouhuiming * @Date 2023/5/22 9:30 * @Version 1.0 */ public class LogReducer extends Reducer<Text, NullWritable,Text,NullWritable> { @Override protected void reduce(Text key, Iterable<NullWritable> values, Reducer<Text, NullWritable, Text, NullWritable>.Context context) throws IOException, InterruptedException { for (NullWritable value : values) { context.write(key,value); } } }
（3）OutputFormat类
package org.example._08outputformat; 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; /** * @ClassName LogOutFormat * @Description TODO * @Author Zouhuiming * @Date 2023/5/22 9:31 * @Version 1.0 */ public class LogOutputFormat extends FileOutputFormat<Text, NullWritable> { @Override public RecordWriter<Text, NullWritable> getRecordWriter(TaskAttemptContext taskAttemptContext) throws IOException, InterruptedException { //自定义一个RecordWriter返回 LogRecordWriter logRecordWriter=new LogRecordWriter(taskAttemptContext); return logRecordWriter; } }
（4）编写RecordWriter类
package org.example._08outputformat; 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; /** * @ClassName LogRecordWriter * @Description TODO * @Author Zouhuiming * @Date 2023/5/22 9:33 * @Version 1.0 */ public class LogRecordWriter extends RecordWriter<Text, NullWritable> { private FSDataOutputStream zhmOut; private FSDataOutputStream otherOut; public LogRecordWriter(TaskAttemptContext job) { try { //获取文件系统对象 FileSystem fileSystem=FileSystem.get(job.getConfiguration()); //利用文件系统对象创建两个输出流对应不同的目录 zhmOut=fileSystem.create(new Path("E:\\test\\output7\\zhm.log")); otherOut=fileSystem.create(new Path("E:\\test\\output7\\other.log")); } catch (IOException e) { throw new RuntimeException(e); } } @Override public void write(Text text, NullWritable nullWritable) throws IOException, InterruptedException { String log=text.toString(); //根据一行的log数据是否包含atguigu,判段两条输出输入流输出的内容 if (log.contains("atguigu")){ zhmOut.writeBytes(log+"\n"); }else { otherOut.writeBytes(log+"\n"); } } @Override public void close(TaskAttemptContext taskAttemptContext) throws IOException, InterruptedException { IOUtils.closeStream(zhmOut); IOUtils.closeStream(otherOut); } }
（5）编写Driver类
package org.example._08outputformat; 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; /** * @ClassName LogDriver * @Description TODO * @Author Zouhuiming * @Date 2023/5/22 9:50 * @Version 1.0 */ public class LogDriver { public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException { Configuration configuration=new Configuration(); Job job=Job.getInstance(); 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("E:\\test\\input3")); //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("E:\\test\\output7")); System.exit(job.waitForCompletion(true)?0:1); } }
2、MapReduce内核源码解析
2.1 MapTask工作机制
（1）Read阶段：MapTask通过InputFormat获得的RecordReader，从输入InputSpilt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，生产一个临时文件。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：
（a）利用快速排序算法对缓冲区内的数据进行排序，排序的方式是，先按照分区编号partition进行排序，然后按照key进行排序。这样，进过排序后，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。
（b）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。
（c）将分区数据的元信息写到内存索引数据结构SpillRecord中，其实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：当所以数据处理完成后，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。
当所有数据处理完成后，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，同时生产相应的索引文件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，知道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。
2.2 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的阙值，则写在磁盘上，否者直接放到内存中。
（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进行聚合的一组数据。为了将key相同的数据聚集在一起，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只需要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。
2.3 ReduceTask并行度决定机制
MapTask并行度是由切片个数决定，切片个数由输入文件和切片规则决定。
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的数量是可以手动进行设置的：
job.setNumReduceTasks(4);//这样就设置了4个ReduceTask
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。
2.4 MapTask&&ReduceTask源码解析
1、MapTask源码解析
2、ReduceTask源码解析
