Hadoop教程：Hadoop基本流程和代碼范例

---

基本流程：

　　

 一個圖片太大了，只好分割成為兩部分。根據流程圖來說一下具體的一個任務執行的情況。

1. 分布式環境中客戶端創建任務并提交。

2. InputFormat做Map前的預處理，主要負責以下工作：

a) 驗證輸入的格式是否符合JobConfig的輸入定義，這個在實現Map和構建Conf的時候就會知道，不定義可以是Writable的任意子類。

b) 將input的文件split為邏輯上的輸入InputSplit，其實這就是在上面提到的在分布式文件系統中blocksize是有大小限制的，因此大文件會被劃分為多個block。

c) 通過RecordReader來再次處理inputsplit為一組records，輸出給Map。(inputsplit只是邏輯切分的第一步，但是如何根據文件中的信息來切分還需要RecordReader來實現，例如最簡單的默認方式就是回車換行的切分)

3. RecordReader處理后的結果作為Map的輸入，Map執行定義的Map邏輯，輸出處理后的key,value對到臨時中間文件。

4. Combiner可選擇配置，主要作用是在每一個Map執行完分析以后，在本地優先作Reduce的工作，減少在Reduce過程中的數據傳輸量。

5. Partitioner可選擇配置，主要作用是在多個Reduce的情況下，指定Map的結果由某一個Reduce處理，每一個Reduce都會有單獨的輸出文件。(后面的代碼實例中有介紹使用場景)

6. Reduce執行具體的業務邏輯，并且將處理結果輸出給OutputFormat。

7. OutputFormat的職責是，驗證輸出目錄是否已經存在，同時驗證輸出結果類型是否如Config中配置，最后輸出Reduce匯總后的結果。

代碼范例：

業務場景描述：

可設定輸入和輸出路徑(操作系統的路徑非HDFS路徑)，根據訪問日志分析某一個應用訪問某一個API的總次數和總流量，統計后分別輸出到兩個文件中。

僅僅為了測試，因此沒有去細分很多類，將所有的類都歸并于一個類便于說明問題。

圖4 測試代碼類圖

LogAnalysiser就是主類，主要負責創建，提交任務，并且輸出部分信息。內部的幾個子類用途可以參看流程中提到的角色職責。具體的看看幾個類和方法的代碼片斷：

LogAnalysiser::MapClass

public static class MapClass extends MapReduceBase

implements Mapper<LongWritable, Text, Text, LongWritable>

 {

public void map(LongWritable key, Text value, OutputCollector<Text, LongWritable> output, Reporter reporter)

 throws IOException

&

來源：代碼農場