Hadoop:OutputCollector在MapReduce期间是如何工作的

Question

我想知道map函数中是否使用了OutputCollector的"实例"输出：output.collect（key， value）这个 -output- 将键值对存储在某处？即使它发出到化简器功能，它们也一定是中间文件，对吧？这些文件是什么？它们是否可见并由程序员决定？我们在主函数中指定的 OutputKeyClass 和 OutputValueClass 是这些存储位置吗？[文本.class和不可写.class]

我给出了MapReduce中字数统计示例的标准代码，我们可以在网上的许多地方找到。

public class WordCount {
public static class Map extends MapReduceBase implements Mapper<LongWritable, Text, Text, IntWritable> {
private final static IntWritable one = new IntWritable(1);
private Text word = new Text();
public void map(LongWritable key, Text value, OutputCollector<Text, IntWritable> output, Reporter reporter) throws IOException {
String line = value.toString();
StringTokenizer tokenizer = new StringTokenizer(line);
while (tokenizer.hasMoreTokens()) {
word.set(tokenizer.nextToken());
output.collect(word, one);
}
}
}
public static class Reduce extends MapReduceBase implements Reducer<Text, IntWritable, Text, IntWritable> {
public void reduce(Text key, Iterator<IntWritable> values, OutputCollector<Text, IntWritable> output, Reporter reporter) throws IOException {
int sum = 0;
while (values.hasNext()) {
sum += values.next().get();
}
output.collect(key, new IntWritable(sum));
}
}
public static void main(String[] args) throws Exception {
JobConf conf = new JobConf(WordCount.class);
conf.setJobName("wordcount");
conf.setOutputKeyClass(Text.class);
conf.setOutputValueClass(IntWritable.class);
conf.setMapperClass(Map.class);
conf.setCombinerClass(Reduce.class);
conf.setReducerClass(Reduce.class);
conf.setInputFormat(TextInputFormat.class);
conf.setOutputFormat(TextOutputFormat.class);
FileInputFormat.setInputPaths(conf, new Path(args[0]));
FileOutputFormat.setOutputPath(conf, new Path(args[1]));    
JobClient.runJob(conf);
}
}

Answer 1

Map 函数的输出存储在临时中间文件中。这些文件由Hadoop透明地处理，因此在正常情况下，程序员无法访问这些文件。如果您对每个映射器内部发生的情况感到好奇，可以查看相应作业的日志，您可以在其中找到每个映射任务的日志文件。

如果要控制生成临时文件的位置并有权访问它们，则必须创建自己的 OutputCollector 类，我不知道这有多容易。

如果你想看看源代码，你可以使用 svn 来获取它。我认为它在这里可用：http://hadoop.apache.org/common/version_control.html。

Answer 2

我相信

它们存储在临时位置，对开发人员不可用，除非您创建自己的实现OutputCollector的类。

我曾经不得不访问这些文件，并通过创建副作用文件来解决问题：http://hadoop.apache.org/common/docs/r0.20.2/mapred_tutorial.html#Task+Side-Effect+Files

Answer 3

中间的分组输出始终存储在 SequenceFiles 中。应用程序可以指定是否以及如何压缩中间输出，以及通过 JobConf 使用哪些压缩编解码器。

http://hadoop.apache.org/docs/current/api/org/apache/hadoop/mapred/Mapper.html