关于hadoop:Hadoop之MapReduce二工作流和InputFormat介绍

一个残缺的 MapReduce 程序在分布式运行中蕴含两类实例过程：
1）MrAppMaster：负责整个程序运行过程的调度及状态协调
2）YarnChild：负责 Map 阶段的整个数据处理流程
3）YarnChild：负责 Reduce 阶段的整个数据处理流程。
MapTask 和 ReduceTask 都是跑在 YarnChild 的过程中，当然是各自的 YarnChild 过程。

1）一个 mr 程序已启动，首先启动 MrAppMaster，它负责整个程序的过程调度及状态协调。
2）MrAppMaster 依据 job 的形容信息，计算出须要 MapTask 的数量 n，而后申请启动 n 个 MapTask 过程。
3）MapTask 启动后，从 InputFormat 取得 RecordReader，（RecordReader 封装了输出的数据），从中读取数据，以 kv 对的模式传递到 map()办法中，再将 map()输入的 kv 对加到缓存中保留，之后将缓存中 kv 对依照 k 进行分区排序，溢写到磁盘文件。
4）MrAppMaster 监控所有 MapTask 过程，当发现所有 MapTask 过程实现工作，去启动指定数量的 ReduceTask 过程，调配 ReduceTask 过程要解决的数据分区。
5）ReduceTask 过程启动后，从若干个 MapTask 获取若干个输入后果文件，在本地进行归并排序，将雷同的 key 的 kv 分为一个组，调用 reduce()办法进行逻辑解决，最初出后果 kv，调用 OutputFormat 将后果输入到指定地位。

当然理论当中，并不是间接应用 InputFormat，而是应用 FileInputFormat 的实现类，常见的实现类 TextInputFormat、KeyValueTextInputFormat、NLineInputFormat、CombineTextInputFormat 和自定义 InputFormat 等。
OutputFormat 同样，应用的是它实现类，像 TextOutputFormat 或者自定义实现。

InputFormat 负责 Map 端数据的输出

public abstract class InputFormat<K, V> {public InputFormat() { }

    public abstract List<InputSplit> getSplits(JobContext var1) throws IOException, InterruptedException;

    public abstract RecordReader<K, V> createRecordReader(InputSplit var1, TaskAttemptContext var2) throws IOException, InterruptedException;
}

源码中两个办法
getSplits(): 生成切片信息。
createRecordReader(): 负责输出数据的读取解决

这是一个抽象类，不能间接应用，InputFormat 有一个子抽象类 FileInputFormat，它继承了 InputFormat，具体实现了 getSplits()办法，也是 Hadoop 的默认切片实现规定。

FileInputFormat的切片机制
1）简略的依照文件的内容长度进行切片
2）切片大小默认等于 Block 大小，默认 Block 在 2.x 和 3.x 版本为 128M
3）切片时不思考数据集整体，而是一一针对每一个文件独自切片
外围实现过程就在 getSplits()办法中。

举个示例：
20201120.log 200M
20201121.log 100M

切片实现后：
20201120.log.split1 0-128
20201120.log split2 128-200
20201121.log.split1 100M

FileInputFormat实现类
FileInputFormat 常见的接口实现类包含：TextInputFormat、KeyValueTextInputFormat 等。

TextInputFormat：默认的 FileInputFormat 实现类。按行读取每条记录。键是存储该行在整个文件中的起始字节偏移量，LongWritable 类型。值是这行的内容，不包含任何行终止符（换行符和回车符），Text 类型。
2.KeyValueTextInputFormat 每一行均为一条记录，被分隔符宰割为 key，value。能够通过在驱动类中设置 conf.set(KeyValueLineRecordReader.KEY_VALUE_SEPERATOR, “\t”); 来设定分隔符。默认分隔符是 tab

当然还有其余实现类 NLineInputFormat、CombineTextInputFormat 等，咱们也能够本人实现。

关于hadoop:Hadoop之MapReduce二工作流和InputFormat介绍

1. 残缺的 MapReduce 程序

2.MapReduce 的数据流示意图

3.InputFormat