MapReduce中的输入输出控制（转）

—— InputFormat、OutputFormat、MultipleOutputs、GroupingComparator

1.InputFormat概述

MapReduce开始阶段，InputFormat类用来产生InputSplit，并基于RecordReader把它切分成record，形成Mapper的输入。

——MR内置的InputFormat

1）TextInputFormat

作为默认的文件输入格式，用于读取纯文本文件，文件被分为一系列以LF或者CR结束的行，key是每一行的位置偏移量，是LongWritable类型的，value是每一行的内容，为Text类型。

2）KeyValueTextInputFormat

同样用于读取文本文件，如果行被分隔符（缺省是tab）分割为两部分，第一部分为key，剩下的部分为value；如果没有分隔符，整行作为 key，value为空。

3）SequenceFileInputFormat

用于读取sequence file

sequence file是Hadoop用于存储数据自定义格式的binary文件。它有两个子类：SequenceFileAsBinaryInputFormat，将 key和value以BytesWritable的类型读出；SequenceFileAsTextInputFormat，将key和value以Text类型读出。

4）SequenceFileInputFilter

根据filter从sequence文件中取得部分满足条件的数据，通过 setFilterClass指定Filter，内置了三种 Filter：

• RegexFilter取key值满足指定的正则表达式的记录；
• PercentFilter通过指定参数f，取记录行数%f==0的记录；
• MD5Filter通过指定参数f，取MD5(key)%f==0的记录。

5）NLineInputFormat

0.18.x新加入，可以将文件以行为单位进行split，比如文件的每一行对应一个mapper。得到的key是每一行的位置偏移量（LongWritable类型），value是每一行的内容，Text类型。

6）CompositeInputFormat

用于多个数据源的join

——为MR设置指定的InputFormat

job.setInputFormatClass（XXXInputFormat.class）;

——也可以自定义InputFormat

自己写一个类直接或间接的继承InputFormat抽象类即可

2.MR中的输出控制-OutputFormat

MapReduce结束阶段，OutputFormat类决定了Reducer如何产生输出。

——MR内置的OutputFormat

1）TextOutputFormat

以行分隔、包含制表符定界的键值对的文本文件格式

2）SequenceFileOutputFormat

二进制键值数据的压缩格式

3）SequenceFileAsBinaryOutputFormat

原生二进制数据的压缩格式

4）MapFileOutputFormat

一种使用部分索引键的格式

——为MR设置指定的OutputFormat

job.setOutputFormatClass(SequenceFileOutputFormat.class);

——同理也可以自定义输出格式化器

所有的OutputFormat都要直接或间接的继承OutputFormat抽象类

// 要控制不同的内容写往不同的目标路径，可以采用自定义outputformat的方法
job.setOutputFormatClass(LogEnhanceOutputFormat.class);

// 尽管我们用的是自定义outputformat，但是它是继承制fileoutputformat
// 在fileoutputformat中，必须输出一个_success文件，所以在此还需要设置输出path

FileOutputFormat.setOutputPath(job, new Path("H:/out/"));

原文链接：https://blog.csdn.net/zhou920786312/java/article/details/87031643

OutputFormat抽象类中定义了如下的抽象方法：

public abstract RecordWriter<K, V> getRecordWriter(TaskAttemptContext context) 
public abstract void checkOutputSpecs(JobContext context )
public abstract OutputCommitter getOutputCommitter(TaskAttemptContext context) 

我们可以直接继承OutputFormat，但更多的时候我们会选择继承他的一个实现子类，比如FileOutputFormat -- 此类是所有目的地为文件的OutputFormat的基类，例如默认的TextOutputFormat就继承自它。

FileOutputFormat实现了OutputFormat接口，默认实现了checkOutputSpecs和getOutputCommitter方法，并将getRecordWriter()设置为抽象方法要求我们去实现。

如果想要更精细的改变逻辑可以自己去编写getOutputCommitter和checkOutputSpecs方法。

而更多的时候，我们直接使用父类中的方法而将精力放置在getRecordWriter上，决定如何产生输出。

Mapreduce（6）----OutputforMat格式设置

原文：https://www.cnblogs.com/Lee-yl/p/13345469.html