hadoop开发视频教程(1).ppt

Hadoop大数据解决方案大数据解决方案进阶应用用Hadoop讲师：迪伦（北风网版权所有）MapReduce高阶实现高阶实现(5)q 文本输入q 多种输入q 实例：数据分区课程目标课程目标文本输入文本输入-KeyValueTextInputFormat-KeyValueTextInputFormatq通常输入的文本中的每一行是一个Key/value对，使用某个分界符进行分隔，比如Tabq可以通过key.value.separator.in.input.line属性来指定分隔符q示例，输入：q输出：XMLXML文件读取文件读取qXML文档按标签来进行分割qHadoop提供了StreamXmlRecordReader类（在org.apache.hadoop.streaming包中）q通过把输入格式设置为StreamInputFormat，把Stream.recordreader.class属性设置为org.apache.hadoop.streaming.StreamXmlRecordReader来使用q例如，维基百科用XML格式来提供大量内容，非常适合用MapReduce来并行处理多种输入多种输入q默认MapReduce所有文件都一个InputFormat和同一个Mapper来解释q现实当中，数据格式会随时间演变，或有些数据源会提供不同格式的相同数据q可以用MultipleInputs类来解决，它允许每条输入路径指定InputFormat和Mapperq例如，两种气象数据集输入q这段代码取代了对FileInputFormat.addInputPath()和conf.setMapperClass()的常规调用多种输入多种输入q如果有多种输入格式而只有一个mapper（通过JobConf的setMapper()方法设定），可使用MultipleInputs类的一个重载版本的addInputPath()方法：多个输出多个输出q对输出的文件名进行控制，或者让每个reducer输出多个文件qMapReduce为此提供了两个库：MultipleOutputFormat和MultipleOutputsq实例：数据分区需求：按气象站来区分气象数据，需要运行一个作业，作业的输出是每个气象站一个文件，此文件包含该气象站的所有数据记录思路：1、写一个partitioner，把同一个气象站的数据放到同一个分区2、把作业的reducer数设为气象站的个数实例：数据分区实例：数据分区qPartitioner的实现getPartition(String)把气象站ID转换成分区索引号，因此输入一个所有气象站的列表给它，然后返回列表中气象站ID的索引实例：数据分区实例：数据分区q方案的缺陷需要在作业运行之前知道分区数和气象站的个数让应用程序来严格限定分区数可能导致分区不均q让应用程序设定分区数的两种特殊情况0个reducer没有分区，只执行map任务1个reducer合并成单个输出。前提是数据量足够小q解决方案最好能让集群为作业决定分区数通过MultipleOutputFormat实现每个reducer写多个文件欢迎访问我们的官方网站