MapReduce原理分析：自定义输出格式OutputFormat

1. 输出格式OutputFormat

在MapReduce框架中，OutputFormat负责把Reducer处理完成的Key-Value写出到本地磁盘或HDFS上，默认计算结果会以part-000的命名输出成多个文件，并且输出的文件数量与Reduce数量一致。000是关联到某个Reduce任务的分区的Id号。关于分区号id号如何确定，请查看：
MapReduce原理分析：自定义分区Partition和数据倾斜解决之道

MapReduce提供多种输出格式，用户可以灵活设置输出的路径、文件名、输出格式等。输出格式类实现OutputFormat接口，FileOutputFormat是实现的抽象类，常见的实现类还包括TextOutputFormat、SequenceFileOutputFormat、NullOutputFormat、DBOutputFormat，继承关系图如图所示。

1）TextOutputFormat， 默认输出字符串输出格式，key和value中间值用tab隔开；
2）SequenceFileOutputFormat， 序列化文件输出，将key和value以sequencefile格式输出；
3）MultipleOutputs，可以把输出数据输送到不同的目录；
4）NullOutputFormat， 把输出输出到/dev/null中，即不输出任何数据，这个应用场景是在MR中进行了逻辑处理，同时输出文件已经在MR中进行了输出，而不需要在输出的情况；
5）DBOutputFormat， 适用于将作业输出数据（数据量太大不适合）存到Mysql、Oracle等数据库，在写出数据时会并行连接数据库，需要设置合适的map、reduce个数以便将并行连接的数量控制在合理的范围之内。

在驱动程序中可以通过特定方法实现输出定义：
1)指定输出的格式化类
job.setOutputFormatClass(TextOutputFormat.class)
2)设置输出的文件名
TextOutputFormat.setOutputName(job, "foobar")
3)设置输出路径
TextOutputFormat.setOutputPath()

2. 自定义输出格式

2.1 自定义输出格式的步骤

实现自定义输出格式，我们需要
(1)继承OutputFormat的类，实现getRecordWriter方法，返回一个RecordWriter类型；
(2)继承RecordWriter的类，定义其write方法，针对每个<key,value>写入文件数据；

OutputFormat的接口定义如下，在具体实现时需要自定义RecordWriter和OutputCommitter类，其中OutputCommitter类由于不涉及到具体的输出目的地，所以一般情况下，不用重写，可直接使用FileOutputCommitter对象，RecordWriter类是具体的定义如何将数据写到目的地的。

public abstract class OutputFormat<K, V> {
   
    
    // 获取具体的数据写出对象
    public abstract RecordWriter<K, V> getRecordWriter(TaskAttemptContext context)
     throws IOException, InterruptedException; 
    // 检查输出配置信息是否正确
    public abstract void checkOutputSpecs(JobContext context)
     throws IOException, InterruptedException; 
    // 获取输出job的提交者对象
    public abstract OutputCommitter getOutputCommitter(TaskAttemptContext context)
     throws IOException, InterruptedException; 
}

自定义RecordWriter需要实现以下方法：

public abstract class RecordWriter<K, V> {
   
     
    // 具体的写数据的方法
    public abstract void write(K key, V value)
     throws IOException, InterruptedException;  
     // 关闭资源
    public abstract void close(TaskAttemptContext context)
     throws IOException, InterruptedException; 
}

3. 自定义输出格式案例

3.1 案例描述

用户行为分析，是指在获得网站或APP等平台访问量基本数据的情况下，对有关数据进行统计、分析，从中发现用户访问网站或APP等平台的规律，并将这些规律与网络营销策略等相结合，从而发现目前网络营销活动中可能存在的问题，并为进一步修正或重新制定网络营销策略提供依据。
——百度百科

假设某网站有一亿用户，每日每个用户平均访问网页数为5次，访问日志记录了用户类型(ABC三类分别代表贵宾级、重要级和一般级)、用户id、访问时间、延续时长、访问产品等字段，总访问量5亿条记录，约100G日志数据。现需对日志进行统计分析，统计每类用户最喜欢访问的产品以支撑精准营销，最后的输出结果按照用户类型输出成A.txt、B.txt、C.txt三个不同的文件。
数据格式举例：

id userid usertype appname timestamp duration remotehost area
100010010 1001 C NEWS 1545271800010 103 200.41.1.25 W
100010011 1002 B FORUM 1545271800010 95 201.3.7.11 E
100012313 1002 B FORUM 1545298440019 95 201.3.7.11 NE
100042315 1230 A SPORTS 1545271800010 1004 192.169.49.12 SW
...

3.2 实现思路

MapReduce中FileOutputFormat输出格式的输出文件名称为part-r-xxxxx，虽然通过FileOutputFormat提供的setOutputName、setOutputPath等方法，我们可以在驱动程序中配置输出的路径、文件名等，但上述案例中要求文件名称不能固定，必须按照Key来动态生成，这就需要在自定义OutputFormat中获取到Key后再赋值。

3.3 代码实现

完整代码见：https://github.com/majxbear/mapreduce-applications
1)自定义FileNameOutputFormat实现

/**
 * 自定义输出格式，实现以Key+".txt"为输出文件名称
 */
public class FileNameOutputFormat<K, V> extends FileOutputFormat<K, V> {
   
   
    public static String OUTPUT_FILE_EXTENSION = "txt";

    public RecordWriter<K, V> getRecordWriter(TaskAttemptContext job) throws IOException, InterruptedException {
   
   
        return new MyRecordWriter(job, getTaskOutputPath(job));
    }

    private Path getTaskOutputPath(TaskAttemptContext conf) throws IOException {
   
   
        Path workPath = null;
        OutputCommitter committer = super.getOutputCommitter(conf);
        if