Hadoop：在 MapReduce 期间 OutputCollector 如何工作？答案

【问题标题】：Hadoop: How does OutputCollector work during MapReduce?Hadoop：在 MapReduce 期间 OutputCollector 如何工作？
【发布时间】：2012-06-12 12:46:52
【问题描述】：

我想知道 Map 函数中是否使用了 OutputCollector 的“实例”输出： output.collect（键，值）这个 - 输出 - 将键值对存储在某处？即使它发送到reducer函数，它们也必须是一个中间文件，对吧？那些文件是什么？它们是否可见并由程序员决定？我们在 main 函数中指定的 OutputKeyClass 和 OutputValueClasses 是这些存储的地方吗？ [Text.class 和 IntWritable.class]

我给出了 MapReduce 中 Word Count 示例的标准代码，我们可以在网络的许多地方找到它。

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);
}
}

【问题讨论】：

为什么要访问这些临时文件？您是否有想要实现的特定目标？还是只是好奇？
我想更改这些临时文件的位置。

标签： java hadoop mapreduce

【解决方案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，程序员无权访问它。如果您对每个映射器内部发生的事情感到好奇，您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。

如果您想控制临时文件的生成位置并访问它们，您必须创建自己的 OutputCollector 类，我不知道这有多容易。

如果想看源码，可以使用svn来获取。我认为它可以在这里找到：http://hadoop.apache.org/common/version_control.html。

【讨论】：

【解决方案2】：

我相信它们存储在临时位置并且对开发人员不可用，除非您创建自己的类来实现OutputCollector。

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

【讨论】：

谁有 OutputCollector 的 .collect() 函数的代码？

【解决方案3】：

中间的、分组的输出总是存储在 SequenceFiles 中。应用程序可以通过 JobConf 指定是否以及如何压缩中间输出以及使用哪些 CompressionCodecs。

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

【讨论】：