Hadoop3教程（十六）：MapReduce中的OutputFormat

（105）OutputFormat概述

我们之前讲过了Map阶段的InputFormat，对应的，Reduce阶段也有自己的OutputFormat。

Reducer在执行完reduce()之后，接下来就会通过OutputFormat来将处理结果输出至外界环境。

Hadoop里默认使用的是TextOutputFormat，即将reduce()的处理结果，按行输出到文件。

而OutputFormat是MapReduce输出的基类，所有实现了MR输出的程序，都必须实现OutputFormat接口。

OutputFormat有几种官方自带的实现类（具体功能就不展开了）：

• NullOutputFormat
• FileOutputFormat
  • MapFileOutputFormat
  • SequenceFileOutputFormat
  • TextOutputFormat（默认）
• FilterOutputFormat
  • LazyOutputFormat
• DBOutputFormat

OutputFormat类的核心方法：public abstract RecordWriter<K,V> getRecordWriter(...)

最终结果怎么写，以什么形式写，写到哪儿，等等这些，都是在getRecordWriter()里控制的。

当然，这些自带的实现类在日常的生产中肯定是不足以满足各种情况的，所以多数情况下，我们会实现自定义的OutputFormat类。

自定义OutputFormat实现类需要：

• 继承FileOutputFormat；
• 改写RecordWriter，具体改写输出数据的方法write()

（106）自定义OutputFormat案例需求分析

需求：输入是一个日志文件，即log.txt，里面是罗列了一些访问过的网站，现在需要把其中包含atguigu的网站输出到a.log，不包含atguigu的网站输出到b.log。

输入数据形如：

http://www.baidu.com
http://www.atguibu.com
...

我们需要自定义一个OutputFormat类，即创建一个类LogRecordWriter继承RecordWriter，然后创建两个文件输出流，一个是atguiguOut，一个是otherOut。如果输入数据包含atguigu，就输出到atguiguOut，反之则输出到otherOut流。

最后还需要在驱动类里注册一下：

job.setOutputFormatClass(LogOutputFormat.class);

附注：

其实这个需求从直观上来讲，是可以通过分区来实现类似功能的，但是很遗憾，分区的话无法控制输出文件的名字，所以没法严格符合需求。

（107/108）自定义OutputFormat案例实现

这里直接复制了教程里的代码，来介绍一下，如何针对上一小节提出的需求，自定义OutputFormat。

自定义Mapper

首先需要创建一个自定义的Mapper类，如class LogMapper extends Mapper<LongWritable, Text, Text, NullWritable>

package com.atguigu.mapreduce.outputformat;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;public class LogMapper extends Mapper<LongWritable, Text,Text, NullWritable> {@Overrideprotected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {//不做任何处理,直接写出一行log数据context.write(value,NullWritable.get());}
}

自定义Reducer

然后新建一个自定义Reducer类：

package com.atguigu.mapreduce.outputformat;import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;import java.io.IOException;public class LogReducer extends Reducer<Text, NullWritable,Text, NullWritable> {@Overrideprotected void reduce(Text key, Iterable<NullWritable> values, Context context) throws IOException, InterruptedException {// 防止有相同的数据,迭代写出for (NullWritable value : values) {context.write(key,NullWritable.get());}}
}

自定义OutputFormat

这里是最重要的一步，就是自定义一个OutputFormat类，继承RecordWriter：

• 创建两个文件的输出流：atguiguOut、otherOut；
• 如果输入数据中含有atguigu，则输出至atguiguOut，反之则输出到otherOut;

首先自定义OutputFormat类，重写RecordWriter方法，将我们自定义的LogRecordWriter放进去。

package com.atguigu.mapreduce.outputformat;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;public class LogOutputFormat extends FileOutputFormat<Text, NullWritable> {@Overridepublic RecordWriter<Text, NullWritable> getRecordWriter(TaskAttemptContext job) throws IOException, InterruptedException {//创建一个自定义的RecordWriter返回LogRecordWriter logRecordWriter = new LogRecordWriter(job);return logRecordWriter;}
}

然后编写LogRecordWriter类，：

package com.atguigu.mapreduce.outputformat;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;public class LogRecordWriter extends RecordWriter<Text, NullWritable> {private FSDataOutputStream atguiguOut;private FSDataOutputStream otherOut;public LogRecordWriter(TaskAttemptContext job) {try {//获取文件系统对象FileSystem fs = FileSystem.get(job.getConfiguration());//用文件系统对象创建两个输出流对应不同的目录atguiguOut = fs.create(new Path("d:/hadoop/atguigu.log"));otherOut = fs.create(new Path("d:/hadoop/other.log"));} catch (IOException e) {e.printStackTrace();}}@Overridepublic void write(Text key, NullWritable value) throws IOException, InterruptedException {String log = key.toString();//根据一行的log数据是否包含atguigu,判断两条输出流输出的内容if (log.contains("atguigu")) {atguiguOut.writeBytes(log + "\n");} else {otherOut.writeBytes(log + "\n");}}@Overridepublic void close(TaskAttemptContext context) throws IOException, InterruptedException {//关流IOUtils.closeStream(atguiguOut);IOUtils.closeStream(otherOut);}
}

Driver

最后编写LogDriver驱动类，把我们前面自定义的的类统统在驱动类里注册上：

package com.atguigu.mapreduce.outputformat;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;public class LogDriver {public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {Configuration conf = new Configuration();Job job = Job.getInstance(conf);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outputformatjob.setOutputFormatClass(LogOutputFormat.class);FileInputFormat.setInputPaths(job, new Path("D:\\input"));//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("D:\\logoutput"));boolean b = job.waitForCompletion(true);System.exit(b ? 0 : 1);}
}

至此需求完成。

参考文献

1. 【尚硅谷大数据Hadoop教程，hadoop3.x搭建到集群调优，百万播放】