Hadoop的IO处理
1.HDFS数据完整性
HDFS会写入所有数据的计算校验和，并对正在读取的数据进行校验，默认校验方式是RCR-32。
不只是读写数据时会进行校验，datanode也会在后台线程中运行DataBlockScanner进行校验，定期检查数据的缺失情况。
客户端读写数据时，发现数据损坏了，向namenode汇报，抛出ChecksumException，namenode将该datanode上的数据转移到其他的datanode，最后删除该损坏的数据块。
在使用open()方法读取文件之前，将false传送给FileSystem对象的setVerfyChecksum()方法，即可以禁止校验和验证，如果你读取的文件时损坏的，那么在文件删除之前，你还可以恢复部分数据，以免该datanode转移数据失败后直接被删除。
2.LocalFileSysytem
localfileSystem继承于checkFileSysytem，
checkFileSysytem继承于FilterFileSystem，
FilterFileSystem继承于FileSysytem。
localfileSystem可以对文件进行校验。
3.几种压缩方式
4.读取压缩数据
codecClassName加载压缩格式。
5.对文件进行压缩
6.压缩解压线程池
7.压缩文件的处理
hdfs中每片数据128m，1GB的gzip压缩文件分成8片，但只会被一个马匹处理，因为压缩文件无法切片以后对每一片处理。
但是我们处理大文件时一定要确保数据格式可以被切片：
8.mapredeuce 的结果文件进行压缩
9.定制comparator和WritableComparable接口
下面的程序实现了：对每个id相同的商品中挑选出价格最贵的那个。
这里map和reduce期间经过了两个过程：
1.因为实现了WritableComparable接口，故会对其排序
2.因为实现了WritableComparator接口，会将相同的kay放在一起
查找源码可以发现，WritableComparator调用compare方法实质是调用WritableComparable接口的comareTo方法进行比较。
package com.qianliu.bigdata.mr.secondarysort;
import org.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.io.WritableComparator;
/**
* 利用reduce端的GroupingComparator来实现将一组bean看成相同的key，相当于自定义shuffle的分组规则
* @author
*
*/
public class ItemidGroupingComparator extends WritableComparator {
//注册OrderBean，以及制定需要让框架做反射获取实例对象
protected ItemidGroupingComparator() {
super(OrderBean.class, true);
}
@Override
public int compare(WritableComparable a, WritableComparable b) {
OrderBean abean = (OrderBean) a;
OrderBean bbean = (OrderBean) b;
/*比较两个bean时，指定只比较bean中的orderid，id相等则认为是相等的，
其实key早就被拼接生成了id+amount的形式，如果此地方不重写此方法，他默认比较key
*/
return abean.getItemid().compareTo(bbean.getItemid());
}
}
package com.qianliu.bigdata.mr.secondarysort;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
import org.apache.hadoop.io.DoubleWritable;
import org.apache.hadoop.io.SequenceFile;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.WritableComparable;
public class OrderBean implements WritableComparable<OrderBean>{
private Text itemid;//商品id
private DoubleWritable amount;//商品价格double类型
public OrderBean() {
}
public OrderBean(Text itemid, DoubleWritable amount) {
set(itemid, amount);
}
public void set(Text itemid, DoubleWritable amount) {
this.itemid = itemid;
this.amount = amount;
}
public Text getItemid() {
return itemid;
}
public DoubleWritable getAmount() {
return amount;
}
@Override
public int compareTo(OrderBean o) {
int cmp = this.itemid.compareTo(o.getItemid());//compareTo是比较前后Text是否相同的一个方法，相同则返回0
if (cmp == 0) {
/*compareTo是DoubleWritable比较前后大小的方法，后面的大为-1
*最前面加一个“负号”是因为return的值为正，最后job输出时列出该数据排在前面，加符号使得大数排序后在后
*/
cmp = -this.amount.compareTo(o.getAmount());
}
return cmp;
}
@Override
public void write(DataOutput out) throws IOException {
out.writeUTF(itemid.toString());
out.writeDouble(amount.get());
}
@Override
public void readFields(DataInput in) throws IOException {
String readUTF = in.readUTF();
double readDouble = in.readDouble();
this.itemid = new Text(readUTF);
this.amount= new DoubleWritable(readDouble);
}
@Override
public String toString() {
return itemid.toString() + "\t" + amount.get();
}
}
package com.qianliu.bigdata.mr.secondarysort;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.mapreduce.Partitioner;
public class ItemIdPartitioner extends Partitioner<OrderBean, NullWritable>{
@Override
public int getPartition(OrderBean bean, NullWritable value, int numReduceTasks) {
//相同id的订单bean，会发往相同的partition
//而且，产生的分区数，是会跟用户设置的reduce task数保持一致
return (bean.getItemid().hashCode() & Integer.MAX_VALUE) % numReduceTasks;
}
}
package com.qianliu.bigdata.mr.secondarysort;
import java.io.IOException;
import org.apache.commons.lang.StringUtils;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.DoubleWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import com.sun.xml.bind.v2.schemagen.xmlschema.List;
/**
*
* @author [email protected]
*
*/
public class SecondarySort {
static class SecondarySortMapper extends Mapper<LongWritable, Text, OrderBean, NullWritable>{
OrderBean bean = new OrderBean();
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
String line = value.toString();
String[] fields = StringUtils.split(line, ",");
bean.set(new Text(fields[0]), new DoubleWritable(Double.parseDouble(fields[2])));
context.write(bean, NullWritable.get());
}
}
static class SecondarySortReducer extends Reducer<OrderBean, NullWritable, OrderBean, NullWritable>{
//这里map和reduce期间经过了两个过程：
//1.因为实现了WritableComparable接口，故会对其排序
//2.因为实现了WritableComparator接口，会将相同的kay放在一起
//到达reduce时，相同id的所有bean已经被看成一组，且金额最大的那个一排在第一位
@Override
protected void reduce(OrderBean key, Iterable<NullWritable> values, Context context) throws IOException, InterruptedException {
context.write(key, NullWritable.get());
}
}
public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);
job.setJarByClass(SecondarySort.class);
job.setMapperClass(SecondarySortMapper.class);
job.setReducerClass(SecondarySortReducer.class);
job.setOutputKeyClass(OrderBean.class);
job.setOutputValueClass(NullWritable.class);
FileInputFormat.setInputPaths(job, new Path("E:\\IDEA\\MapReduceLocalhost\\secondarysort\\input"));
FileOutputFormat.setOutputPath(job, new Path("E:\\IDEA\\MapReduceLocalhost\\secondarysort\\output"));
//在此设置自定义的Groupingcomparator类
job.setGroupingComparatorClass(ItemidGroupingComparator.class);
//在此设置自定义的partitioner类
job.setPartitionerClass(ItemIdPartitioner.class);
job.setNumReduceTasks(2);
job.waitForCompletion(true);
}
}