大数据框架之Hadoop：MapReduce（三）MapReduce框架原理——MapReduce开发总结

在编写MapReduce程序时，需要考虑如下几个方面：

1、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每行均为一条记录，被分隔符分割为key，value。默认分隔符为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

2、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()

3、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.MAX_VALUE) % numReduceTasks;
• 如果业务上有特别需求，可以自定义分区

4、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：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。

5、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油的业务处理结果。

6、Reduce端分组：GroupingComparator

在Reduce端对key进行分组。应用于：在接受的key为bean对象时，想让一个或几个字段相同（全部字段比较不同）的key进入到同一个reduce方法时，可以采用分组排序。

7、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()

8、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。