本節(jié)和大家學習一下Hadoop開發(fā)中常用的工具InputFormat和OutputFormat使用，相信通過本節(jié)的學習大家能夠掌握更多關于Hadoop開發(fā)方面的知識，讓我們一起來學習吧。首先我們來看一下Hadoop的概念。

Hadoop概念

一個分布式系統(tǒng)基礎架構，由Apache基金會開發(fā)。用戶可以在不了解分布式底層細節(jié)的情況下，開發(fā)分布式程序。充分利用集群的威力高速運算和存儲。簡單地說來，Hadoop是一個可以更

容易開發(fā)和運行處理大規(guī)模數(shù)據(jù)的軟件平臺。Hadoop實現(xiàn)了一個分布式文件系統(tǒng)（HadoopDistributedFileSystem），簡稱HDFS。HDFS有著高容錯性（fault-tolerent）的特點，并且設計用

來部署在低廉的（low-cost）硬件上。而且它提供高傳輸率（highthroughput）來訪問應用程序的數(shù)據(jù)，適合那些有著超大數(shù)據(jù)集（largedataset）的應用程序。HDFS放寬了（relax）POSIX

的要求（requirements）這樣可以流的形式訪問（streamingaccess）文件系統(tǒng)中的數(shù)據(jù)。下面我們開始介紹Hadoop開發(fā)中常用的工具InputFormat和OutputFormat。

InputFormat和OutputFormat

Hadoop中的MapReduce框架依賴InputFormat提供數(shù)據(jù)，依賴OutputFormat輸出數(shù)據(jù)；每一個MapReduce程序都離不開他們。

Hadoop提供了一系列InputFormat和OutputFormat方便開發(fā)，本文介紹幾種常用的。TextInputFormat用于讀取純文本文件，文件被分為一系列以LF或者CR結(jié)束的行，key是每一行的位置

（偏移量,LongWritable類型），value是每一行的內(nèi)容,Text類型。KeyValueTextInputFormat同樣用于讀取文件，如果行被分隔符（缺省是tab）分割為兩部分，***部分為key，剩下的部分為

value；如果沒有分隔符，整行作為key，value為空SequenceFileInputFormat用于讀取sequencefile。sequencefile是Hadoop用于存儲數(shù)據(jù)自定義格式的binary文件。它有兩個子類：

SequenceFileAsBinaryInputFormat，將key和value以BytesWritable的類型讀出；SequenceFileAsTextInputFormat，將key和value以Text的類型讀出。SequenceFileInputFilter根據(jù)filter從

sequence文件中取得部分滿足條件的數(shù)據(jù)，通過setFilterClass指定Filter，內(nèi)置了三種Filter，RegexFilter取key值滿足指定的正則表達式的記錄；PercentFilter通過指定參數(shù)f，取記錄行數(shù)%

f==0的記錄；MD5Filter通過指定參數(shù)f，取MD5(key)%f==0的記錄。NLineInputFormat0.18.x新加入，可以將文件以行為單位進行split，比如文件的每一行對應一個map。得到的key是每一行

的位置（偏移量,LongWritable類型），value是每一行的內(nèi)容,Text類型。CompositeInputFormat，用于多個數(shù)據(jù)源的join。TextOutputFormat，輸出到純文本文件，格式為key+""+value。

NullOutputFormat，hadoop中的/dev/null，將輸出送進黑洞。

SequenceFileOutputFormat，輸出到sequencefile格式文件。MultipleSequenceFileOutputFormat,MultipleTextOutputFormat，根據(jù)key將記錄輸出到不同的文件。DBInputFormat和

DBOutputFormat，從DB讀取，輸出到DB，預計將在0.19版本加入。本節(jié)關于Hadoop開發(fā)中常用InputFormat和OutputFormat相關內(nèi)容介紹到這里。
 

【編輯推薦】

1. 兩種模式運行Hadoop分布式并行程序
2. Hadoop命令手冊使用指南
3. 專家講解 Hadoop:HBASE松散數(shù)據(jù)存儲設計
4. 兩種模式運行Hadoop分布式并行程序
5. Hadoop概念及其用法專家講解