Hadoop：OutputCollector在MapReduce期间如何工作？

Question

我想知道输出收集器的“实例”输出是否用于映射函数：output.collect（键，值）这个输出 - 是否在某个地方存储键值对？即使它发出到化简器函数，它们也必须是中间文件，对吧？这些文件是什么？它们是否可见并由编程者决定？我们在主函数中指定的输出密钥类和输出值类是这些存储位置吗？[文本.class和可写.class]

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

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);
}
}

Answer 1

中间的分组输出总是存储在顺序文件中。应用程序可以通过JobConf指定是否以及如何压缩中间输出，以及使用哪些压缩编解码器。

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

Answer 2

我相信它们存储在临时位置，开发人员无法使用，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这个问题:http://Hadoop . Apache . org/common/docs/r 0 . 20 . 2/map red _ tutorial . html # Task副作用文件

Answer 3

映射函数的输出存储在临时中间文件中。Hadoop透明地处理这些文件，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，在其中可以找到每个映射任务的日志文件。

如果你想控制临时文件的生成位置，并有权访问它们，你必须创建自己的 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。我认为它可以在这里找到：http://hadoop.apache.org/common/version_control.html。