Hadoop中的NLineInputFormat

一：背景

NLineInputFormat也是FileInputFormat的子类，它是根据行数来划分InputSplit的，而不是像TextInputFormat那样依赖分片大小和行的长度。也就是说，TextInputFormat当一行很长或分片很小时，获取的分片很可能只包含很少的K-V对，这样一个MapTask处理的K-V对就很少，这是不太理想的。因此我们可以使用NLineInputFormat来控制一个MapTask处理的K-V对，这是通过分割InputSplit时按行数分割的方法来实现的，关键是通过mapreduce.input.lineinputformat.linespermap来设置这个行数。

 

二：技术实现

代码如下：

 

/**
 * TextInputFormat处理的数据来自一个InputSplit，InputSplit是根据大小划分的。
 * NLineInputFormat可以决定每个Mapper处理的记录数是相同的。
 * @author 廖钟民
 * time : 2015年1月15日下午8:40:43
 * @version
 */
public class MyNLineInputFormat {

    // 定义输入路径
        private static final String INPUT_PATH = "hdfs://liaozhongmin:9000/hello";
        // 定义输出路径
        private static final String OUT_PATH = "hdfs://liaozhongmin:9000/out";

        public static void main(String[] args) {

            try {
                // 创建配置信息
                Configuration conf = new Configuration();
                //设置每个Map可以是处理多少条记录
                conf.setInt("mapreduce.input.lineinputformat.linespermap", 2);
                /**********************************************/
                //对Map端输出进行压缩
                //conf.setBoolean("mapred.compress.map.output", true);
                //设置map端输出使用的压缩类
                //conf.setClass("mapred.map.output.compression.codec", GzipCodec.class, CompressionCodec.class);
                //对reduce端输出进行压缩
                //conf.setBoolean("mapred.output.compress", true);
                //设置reduce端输出使用的压缩类
                //conf.setClass("mapred.output.compression.codec", GzipCodec.class, CompressionCodec.class);
                // 添加配置文件(我们可以在编程的时候动态配置信息，而不需要手动去改变集群)
                /*
                 * conf.addResource("classpath://hadoop/core-site.xml");
                 * conf.addResource("classpath://hadoop/hdfs-site.xml");
                 * conf.addResource("classpath://hadoop/hdfs-site.xml");
                 */

                // 创建文件系统
                FileSystem fileSystem = FileSystem.get(new URI(OUT_PATH), conf);
                // 如果输出目录存在，我们就删除
                if (fileSystem.exists(new Path(OUT_PATH))) {
                    fileSystem.delete(new Path(OUT_PATH), true);
                }

                // 创建任务
                Job job = new Job(conf, WordCountTest.class.getName());

                // 天龙八部1.1  设置输入目录和设置输入数据格式化的类
                FileInputFormat.setInputPaths(job, INPUT_PATH);
                job.setInputFormatClass(NLineInputFormat.class);

                // 天龙八部1.2  设置自定义Mapper类和设置map函数输出数据的key和value的类型
                job.setMapperClass(MyNLineInputFormatMapper.class);
                job.setMapOutputKeyClass(Text.class);
                job.setMapOutputValueClass(LongWritable.class);

                // 天龙八部1.3  设置分区和reduce数量(reduce的数量，和分区的数量对应，因为分区为一个，所以reduce的数量也是一个)
                job.setPartitionerClass(HashPartitioner.class);
                job.setNumReduceTasks(1);

                // 天龙八部1.4  排序、分组
                // 天龙八部1.5  归约
                // 天龙八部2.1  Shuffle把数据从Map端拷贝到Reduce端。
                // 天龙八部2.2  指定Reducer类和输出key和value的类型
                job.setReducerClass(MyNLineInputFormatReducer.class);
                job.setOutputKeyClass(Text.class);
                job.setOutputValueClass(LongWritable.class);

                // 天龙八部2.3  指定输出的路径和设置输出的格式化类
                FileOutputFormat.setOutputPath(job, new Path(OUT_PATH));
                job.setOutputFormatClass(TextOutputFormat.class);


                // 提交作业 退出
                System.exit(job.waitForCompletion(true) ? 0 : 1);

            } catch (Exception e) {
                e.printStackTrace();
            }
        }

    public static class MyNLineInputFormatMapper extends Mapper<LongWritable, Text, Text, LongWritable> {

        // 定义一个LongWritable对象作为map输出的value类型
        LongWritable oneTime = new LongWritable(1);
        // 定义一个Text对象作为map输出的key类型
        Text word = new Text();

        protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, LongWritable>.Context context) throws IOException,
                InterruptedException {

            // 对每一行记录采用制表符(\t)进行分割
            String[] splits = value.toString().split("\t");

            // 遍历字符串数组输出每一个单词
            for (String str : splits) {

                // 设置word
                word.set(str);
                // 把结果写出去
                context.write(word, oneTime);
            }
        }
    }

    public static class MyNLineInputFormatReducer extends Reducer<Text, LongWritable, Text, LongWritable> {

        // 定义LongWritable对象最为Reduce输出的value类型
        LongWritable result = new LongWritable();

        protected void reduce(Text key, Iterable<LongWritable> values, Reducer<Text, LongWritable, Text, LongWritable>.Context context) throws IOException,
                InterruptedException {

            int sum = 0;

            // 遍历集合，计算每个单词出现的和
            for (LongWritable s : values) {

                sum += s.get();
            }
            // 设置result
            result.set(sum);
            // 把结果写出去
            context.write(key, result);
        }
    }
}