hadoop中mapreduce的常用类（一）-创新互联
云智慧（北京）科技有限公司陈鑫
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 {
2.
3. public int run(String[] args) throws Exception {
4. // 即将被ToolRunner执行的Configuration
5. Configuration conf = getConf();
6.
7. // 使用conf建立JobConf
8. JobConf job = new JobConf(conf, MyApp.class);
9.
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
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。
另外有需要云服务器可以了解下创新互联scvps.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。
新闻标题：hadoop中mapreduce的常用类（一）-创新互联
URL网址：http://scyanting.com/article/cooepe.html
