hadoop中mapreduce的常用类（一）

云智慧（北京）科技有限公司陈鑫

公司主营业务：做网站、网站设计、移动网站开发等业务。帮助企业客户真正实现互联网宣传，提高企业的竞争能力。创新互联建站是一支青春激扬、勤奋敬业、活力青春激扬、勤奋敬业、活力澎湃、和谐高效的团队。公司秉承以“开放、自由、严谨、自律”为核心的企业文化，感谢他们对我们的高要求，感谢他们从不同领域给我们带来的挑战，让我们激情的团队有机会用头脑与智慧不断的给客户带来惊喜。创新互联建站推出上高免费做网站回馈大家。

写这个文章的时候才意识到新旧API是同时存在于1.1.2的hadoop中的。以前还一直纳闷儿为什么有时候是jobClient提交任务，有时是Job...不管API是否更新，下面这些类也还是存在于API中的，经过自己跟踪源码，发现原理还是这些。只不过进行了重新组织，进行了一些封装，使得扩展性更好。所以还是把这些东西从记事本贴进来吧。

关于这些类的介绍以及使用，有的是在自己debug中看到的，多数为纯翻译API的注释，但是翻译的过程受益良多。

GenericOptionsParser

parseGeneralOptions(Optionsopts, Configuration conf, String[] args)解析命令行参数
   GenericOptionsParser是为hadoop框架解析命令行参数的工具类。它能够辨认标准的命令行参数，使app能够轻松指定namenode，jobtracker，以及额外的配置资源或信息等。它支持的功能有：
  -conf 指定配置文件；
  -D 指定配置信息；
  -fs 指定namenode
  -jt 指定jobtracker
  -files 指定需要copy到MR集群的文件，以逗号分隔
  -libjars指定需要copy到MR集群的classpath的jar包，以逗号分隔
  -archives指定需要copy到MR集群的压缩文件，以逗号分隔，会自动解压缩

1.String[] otherArgs = new GenericOptionsParser(job, args)

2. .getRemainingArgs();

3.if (otherArgs.length != 2) {

4. System.err.println("Usage: wordcount ");

5. System.exit(2);

6.}

ToolRunner

用来跑实现Tool接口的工具。它与GenericOptionsParser合作来解析命令行参数，只在此次运行中更改configuration的参数。
Tool

处理命令行参数的接口。Tool是MR的任何tool/app的标准。这些实现应该代理对标准命令行参数的处理。下面是典型实现：

1.public class MyApp extends Configured implements Tool {

3. public int run(String[] args) throws Exception {

4. // 即将被ToolRunner执行的Configuration

5. Configuration conf = getConf();

7. // 使用conf建立JobConf

8. JobConf job = new JobConf(conf, MyApp.class);

10. // 执行客户端参数

11. Path in = new Path(args[1]);

12. Path out = new Path(args[2]);

13.

14. // 指定job相关的参数

15. job.setJobName("my-app");

16. job.setInputPath(in);

17. job.setOutputPath(out);

18. job.setMapperClass(MyApp.MyMapper.class);

19. job.setReducerClass(MyApp.MyReducer.class);

20.*

21. // 提交job，然后监视进度直到job完成

22. JobClient.runJob(job);

23. }

24.

25. public static void main(String[] args) throws Exception {

26. // 让ToolRunner 处理命令行参数

27. int res = ToolRunner.run(new Configuration(), new Sort(), args); //这里封装了GenericOptionsParser解析args

28.

29. System.exit(res);

30. }

31. }

MultipleOutputFormat
自定义输出文件名称或者说名称格式。在jobconf中setOutputFormat(MultipleOutputFormat的子类)就行了。而不是那种part-r-00000啥的了。。。并且可以分配结果到多个文件中。
MultipleOutputFormat继承了FileOutputFormat,允许将输出数据写进不同的输出文件中。有三种应用场景：

a.最少有一个reducer的mapreduce任务。这个reducer想要根据实际的key将输出写进不同的文件中。假设一个key编码了实际的key和为实际的key指定的位置

b.只有map的任务。这个任务想要把输入文件或者输入内容的部分名称设为输出文件名。

c.只有map的任务。这个任务为输出命名时，需要依赖keys和输入文件名。

1.//这里是根据key生成多个文件的地方，可以看到还有value，name等参数

2.@Override

3.protected String generateFileNameForKeyValue(Text key,

4. IntWritable value, String name) {

5. char c = key.toString().toLowerCase().charAt(0);

6. if (c >= 'a' && c <= 'z') {

7. return c + ".txt";

8. }

9. return "result.txt";

10.}

DistributedCache

在集群中快速分发大的只读文件。DistributedCache是MR用来缓存app需要的诸如text，archive，jar等的文件的。app通过jobconf中的url来指定需要缓存的文件。它会假定指定的这个文件已经在url指定的对应位置上了。在job在node上执行之前，DistributedCache会copy必要的文件到这个slave node。它的功效就是为每个job只copy一次，而且copy到指定位置，能够自动解压缩。

DistributedCache可以用来分发简单的只读文件，或者一些复杂的例如archive，jar文件等。archive文件会自动解压缩，而jar文件会被自动放置到任务的classpath中（lib）。分发压缩archive时，可以指定解压名称如：dict.zip#dict。这样就会解压到dict中，否则默认是dict.zip中。

文件是有执行权限的。用户可以选择在任务的工作目录下建立指向DistributedCache的软链接。

1.DistributedCache.createSymlink(conf);

2. DistributedCache.addCacheFile(new Path("hdfs://host:port/absolute-path#link-name").toUri(), conf);

DistributedCache.createSymlink(Configuration)方法让DistributedCache在当前工作目录下创建到缓存文件的符号链接。则在task的当前工作目录会有link-name的链接，相当于快捷方法，链接到expr.txt文件,在setup方法使用的情况则要简单许多。或者通过设置配置文件属性mapred.create.symlink为yes。分布式缓存会截取URI的片段作为链接的名字。例如，URI是hdfs://namenode:port/lib.so.1#lib.so，则在task当前工作目录会有名为lib.so的链接，它会链接分布式缓存中的lib.so.1

DistributedCache会跟踪修改缓存文件的timestamp。

下面是使用的例子,为应用app设置缓存

1. 将需要的文件copy到FileSystem中：

1. $ bin/hadoop fs -copyFromLocal lookup.dat /myapp/lookup.dat

2. $ bin/hadoop fs -copyFromLocal map.zip /myapp/map.zip

3. $ bin/hadoop fs -copyFromLocal mylib.jar /myapp/mylib.jar

4. $ bin/hadoop fs -copyFromLocal mytar.tar /myapp/mytar.tar

5. $ bin/hadoop fs -copyFromLocal mytgz.tgz /myapp/mytgz.tgz

6. $ bin/hadoop fs -copyFromLocal mytargz.tar.gz /myapp/mytargz.tar.gz

2. 设置app的jobConf：

7. JobConf job = new JobConf();

8. DistributedCache.addCacheFile(new URI("/myapp/lookup.dat#lookup.dat"),

9. job);

10. DistributedCache.addCacheArchive(new URI("/myapp/map.zip", job);

11. DistributedCache.addFileToClassPath(new Path("/myapp/mylib.jar"), job);

12. DistributedCache.addCacheArchive(new URI("/myapp/mytar.tar", job);

13. DistributedCache.addCacheArchive(new URI("/myapp/mytgz.tgz", job);

14. DistributedCache.addCacheArchive(new URI("/myapp/mytargz.tar.gz", job);

3. 在mapper或者reducer中使用缓存文件：

15. public static class MapClass extends MapReduceBase

16. implements Mapper {

17.

18. private Path[] localArchives;

19. private Path[] localFiles;

20.

21. public void configure(JobConf job) {

22. // 得到刚刚缓存的文件

23. localArchives = DistributedCache.getLocalCacheArchives(job);

24. localFiles = DistributedCache.getLocalCacheFiles(job);

25. }

26.

27. public void map(K key, V value,

28. OutputCollector; output, Reporter reporter)

29. throws IOException {

30. // 使用缓存文件

31. // ...

32. // ...

33. output.collect(k, v);

34. }

35. }

它跟GenericOptionsParser的部分功能有异曲同工之妙。

PathFilter +通配符。accept(Path path)筛选path是否通过。

当前标题：hadoop中mapreduce的常用类（一）
文章源于：http://cdxtjz.cn/article/jeshdp.html

hadoop中mapreduce的常用类（一）

其他资讯