MapReduce05 框架原理OutPutFormat数据输出

MapReduce 框架原理

1.InputFormat可以对Mapper的输入进行控制
2.Reducer阶段会主动拉取Mapper阶段处理完的数据
3.Shuffle可以对数据进行排序、分区、压缩、合并，核心部分。
4.OutPutFomat可以对Reducer的输出进行控制

4.OutputFormat数据输出

OutputFormat接口实现类

OutputFormat是MapReduce输出的基类，所有MapReduce输出都实现了OutputFormat接口

• OutputFormat
  • FileOutputFormat
    • TextOutputFormat 默认

自定义OutputFormat

应用场景

输出数据到MySQL/HBase等

自定义OutputFormat步骤

1.自定义一个类继承FileOutputFormat 这里的kv是指输入的kv
2.重写getRecordWriter方法
3.创建返回类RecordWeiter，kv同1，改写输出数据的方法write()

自定义OutputFormat案例

需求

过滤输入的log日志，包含ranan的网站输出到D:\hadoop_data\output\ranan.log,不包含ranan的网站输出到D:\hadoop_data\output\other.log

输入数据:D:\hadoop_data\input\inputoutputformat\log.txt

http://www.baidu.com
http://www.google.com
http://cn.bing.com
http://www.ranan.com
http://www.sohu.com
http://www.sina.com
http://www.sin2a.com
http://www.sin2desa.com
http://www.sindsafa.com

需求分析

分区输出的文件名不能自己命名，所以这里采用自定义OutputFormat类

1.创建一个类LogRecordWriter继承RecordWriter
1.1 创建两个文件的输出流:rananOut、otherOut
1.2 如果包含ranan，输出到rananOut流，如果不包含ranan，输出到otherOut流
2.在job驱动中配置使用自定义类job.setOutFormatClass(LogRecordWriter.class)

案例实现

LogMapper类
输入的k是偏移量LongWritable，输入的v是一行Text。观察输出只需要一行网站，那么输出的k是一行类容，输出的v是NullWritable
为什么不k是空，因为k是会排序的，需要实现可排序

package ranan.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>{
    @Override
    protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, NullWritable>.Context context) throws IOException, InterruptedException {
        context.write(value,NullWritable.get());
    }
}

LogReducer

只起到数据传递的作用
注意要防止两条一样的进来输出一条出去的情况

package ranan.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> {
    @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,NullWritable.get());
        }
        //直接写进来两条一样的只会输出一条出去
        //context.write(key,NullWritable.get());
    }

LogOutputFormat类

package ranan.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> {
    @Override
    public RecordWriter<Text, NullWritable> getRecordWriter(TaskAttemptContext job) throws IOException, InterruptedException {
        //这里返回值需要RecordWriter类，创建这个类 传递job配置信息！
        LogRecordWriter lrw = new LogRecordWriter(job);
        return lrw;
    }
}

LogRecordWriter类

作为RecordWriter方法的返回值，主要的实现写在这里

package ranan.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 rananOut;
    private  FSDataOutputStream otherOut;

    //与自定义LogOutputFormat产生联系
    public LogRecordWriter(TaskAttemptContext job) {
        //创建两条输出流
        try {
            //get的报错直接处理,参数的配置信息使用job的配置信息
            FileSystem fs = FileSystem.get(job.getConfiguration());
            rananOut = fs.create(new Path("D:\\hadoop_data\\output\\ranan.log"));
            otherOut = fs.create(new Path("D:\\hadoop_data\\output\\other.log"));
        } catch (IOException e) {
            e.printStackTrace();
        }

    }

    @Override
    public void write(Text key, NullWritable value) throws IOException, InterruptedException {
        //具体写
        //输入是每一行的内容，类型是Text
        String log = key.toString();
        if(log.contains("ranan")) {
            rananOut.writeBytes(log);
        }
        else {
            //writeBytes参数是string类型
            otherOut.writeBytes(log);
        }

    }
    //资源关闭
    @Override
    public void close(TaskAttemptContext context) throws IOException, InterruptedException {
        IOUtils.closeStream(rananOut);
        IOUtils.closeStream(otherOut); //TOUtiles工具类
    }
}

LogDriver类

虽然我们自定义OutputFormat继承了FileOutputFormat，自定义了输出路径。
而FileOutputFormat需要输出一个_SUCCESS文件,依旧需要设置一个输出路径输出_SUCCESS文件

package ranan.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, InterruptedException, ClassNotFoundException {
        // 1 获取job
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);

        //2 设置jar
        job.setJarByClass(LogDriver.class);

        //3 关联Mapper,Reducer
        job.setMapperClass(LogMapper.class);
        job.setReducerClass(LogReducer.class);

        // 4 设置mapper 输出的key和value类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(NullWritable.class);

        // 5 设置最终数据输出的key和value类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(NullWritable.class);

        // 设置自定义的outputFormat
        job.setOutputFormatClass(LogOutputFormat.class);

        // 6 设置数据的输入路径和输出路径
        FileInputFormat.setInputPaths(job, new Path("D:\\hadoop_data\\input\\inputoutputformat\\log.txt"));
        //虽然我们自定义OutputFormat继承了FileOutputFormat，而FileOutputFormat需要输出一个_SUCCESS文件,依旧需要设置一个输出路径输出_SUCCESS文件
        FileOutputFormat.setOutputPath(job, new Path("D:\\hadoop_data\\output\\sucess"));


        // 7 提交job
        boolean result = job.waitForCompletion(true);
        System.exit(result ? 0 : 1);
    }
}

输出结果

发现other.log里的网址连在一起了，输出的时候没输出回车

修改LogRecordWriter类

if(log.contains("ranan")) {
   rananOut.writeBytes(log + "\n");
}
else {
   //writeBytes参数是string类型
   otherOut.writeBytes(log+ "\n");
}