Hadoop基本流程与应用开发

阅读更多

在分布式环境中客户端创建任务并提交。
InputFormat做Map前的预处理，主要负责以下工作：

    验证输入的格式是否符合JobConfig的输入定义，这个在实现Map和构建Conf的时候就会知道，不定义可以是Writable的任意子类。
    将input的文件切分为逻辑上的输入InputSplit，其实这就是在上面提到的在分布式文件系统中blocksize是有大小限制的，因此大文件会被划分为多个block。
    通过RecordReader来再次处理inputsplit为一组records，输出给Map。（inputsplit只是逻辑切分的第一步，但是如何根据文件中的信息来切分还需要  RecordReader来实现，例如最简单的默认方式就是回车换行的切分）
RecordReader处理后的结果作为Map的输入，Map执行定义的Map逻辑，输出处理后的key和value对应到临时中间文件。
    Combiner可选择配置，主要作用是在每一个Map执行完分析以后，在本地优先作Reduce的工作，减少在Reduce过程中的数据传输量。
    Partitioner可选择配置，主要作用是在多个Reduce的情况下，指定Map的结果由某一个Reduce处理，每一个Reduce都会有单独的输出文件。（后面的代码实例中有介绍使用场景）
    Reduce执行具体的业务逻辑，并且将处理结果输出给OutputFormat。
    OutputFormat的职责是，验证输出目录是否已经存在，同时验证输出结果类型是否如  Config中配置，最后输出Reduce汇总后的结果。