自定义InputFormat
自定义步骤：
1、自定义一个类继承FileInputFormat
2、改写recurdReader,实现一次读取一个完整文件放置为ky
3、在输出时使用SequenceFileOutputFomat输出合并文件
无论HDFS还是MapReduce，在处理小文件时效率都非常低，但又难免面临处理大量小文件的场景，此时，就需要有相应解决方案。可以自定义InputFormat实现小文件的合并。
将多个小文件合并成一个SequenceFile文件（SequenceFile文件是Hadoop用来存储二进制形式的key-value对的文件格式），SequenceFile里面存储着多个文件，存储的形式为文件路径+名称为key，文件内容为value。
1、自定义一个类继承FileInputFormat
（1）重写is视频里table（）方法，返回false不可切割
（2）重写createRecorder(),创建自定义的recordReader对象，并初始化
2、改写recordReader，实现一次读取一个完整文件封装为kv
(1)采用io流一次读取一个文件输出到value中，因为设置了不可切片，最终把所有文件都封装到了value
(2)获取文件路径信息+名称，并设置key
3、设置Driver
Mapreduce工作流程
1）MapTask收集我们的map()方法输出的kv对，放到内存缓冲区中
2）从内存缓冲区不断溢出本地磁盘文件，可能会溢出多个文件
3）多个溢出文件会被合并成大的溢出文件
4）在溢出过程及合并的过程中，都要调用Partitioner进行分区和针对key进行排序
5）ReduceTask根据自己的分区号，去各个MapTask机器上取相应的结果分区数据
6）ReduceTask会取到同一个分区的来自不同MapTask的结果文件，ReduceTask会将这些文件再进行合并（归并排序）
7）合并成大文件后，Shuffle的过程也就结束了，后面进入ReduceTask的逻辑运算过程（从文件中取出一个一个的键值对Group，调用用户自定义的reduce()方法）
注意：
Shuffle中的缓冲区大小会影响到MapReduce程序的执行效率，原则上说，缓冲区越大，磁盘io的次数越少，执行速度就越快。
缓冲区的大小可以通过参数调整，参数：io.sort.mb默认100M。
Shuffle机制
Map方法之后，Reduce方法之前的数据处理过程称之为Shuffle
Parttition分区
按照条件输出到不同文件中（分区）
默认分区是根据key的hashcode对reduceTasks个数取模得到的，用户没办法控制哪个key存储到那个分区
自定义partition步骤：
1、自定义类继承partitioner,重写getpartition（）方法
2、在job驱动中，设置自定义partitioner
3、自定义partition后，根据自定义partitioner的逻辑设置相应数量的ReduceTask
分区：
1、如果ReduceTask的数量大于getpartition的结果，则会多产生几个空的输出文件part-r-000xx;
2、如果1<reduceTask的数量<getPartition的结果，则有一部分分区数据无处安放，会Exception
3、如果ReduceTask的数量=1，则不管mapTask端输出多少个分区文件，最终结果都交给这一个ReduceTask，最终也就只产生一个结果文件part-r-000 00
4、分区好必须从0开始，逐一累加
WriteableComparable排序
排序是mapReduce框架中最重要的操作之一
mapTask和ReduceTask均会对数据按照key进行排序，该操作数与hadoop的默认行为，任何应用程序中的数据均会被排序，而不管逻辑上是否需要
默认排序是按照字典顺序排序，而且实现排序的方法时快速排序
排序概述：
对于mapTask，它会将处理的结果暂时放到环形缓冲区中，当环形缓冲区使用率达到一定阈值后，在对缓冲区中的数据进行一次快速排序，并将这些有序数据溢写到磁盘上，而当数据处理完毕后，它会对磁盘上所有文件进行归并排序
对于ReduceTask，它从每个mapTask上远程拷贝相应的数据文件，如果文件大小超过一定阈值，则溢写到磁盘上，否则存储在内存中，如果磁盘上文件数目达到一定阈值，则进行一次归并排序以生成一个更大的文件；如果内存中文件大小或者数目超过一定阈值，则进行一次合并后将数据溢写到磁盘上，当所有拷贝完毕后，ReduceTask统一对内存和磁盘上的所有数据进行一次归并排序
1、部分排序
MapRetuce根据输入记录的键对数据集排序，保证输出的每个文件内部有序
2、全部排序
最终输出结果值有一个文件，切文件内部有序。实现方式是值设置一个ReduceTask，但该方法在处理大型文件时效率极低，因为一台机器处理所有文件，完全丧失了mapReduce所提供的架构
3、辅助排序（GroupingComparator分组）
在Reduce端对key进行分组，应用于：在接收的key为bean对象时，像让一个或几个字段相同（全部字段比较不相同）的key进入到同一个reduce方法时，可以采用分组排序
4、二次排序
在自定义排序过程中，如果compareTo中的判断条件为两个即为二次排序
自定义排序（writableComparable）
bean对象做为key传输，需要实现WritableComparable接口重写compareTo方法，就可以实现排序。
combiner合并
1、combiner是MR程序中Mapper和Reducer之外的一种组件
2、Combine组件的父类是Reducer
3、Combiner和Reducer的区别在于运行的位置
Combiner是在每一个MapTask所在的节点运行
Reducer是接收所有的Mapper的输出结果
4、combiner的意义就是对每一个MapTask的输出进行局部汇总，以减小网络传输量
5、Combiner能够应用的前提是不能影响最终的业务逻辑，而且combiner的输出kv应该跟Reducer的输入kv类型要对应起来
步骤：
1、自定义一个combiner继承Reduce方法
2、在job驱动类中设置
方案1：
1）增加一个WordcountCombiner类继承Reducer
2）在WordcountDriver驱动类中指定Combiner
方案2：
1）将WordcountReducer作为Combiner在WordcountDriver驱动类中指定
GroupingComparator分组（辅助排序）
对Reduce阶段的数据根据某一个或几个字段进行分组。
分组排序步骤：
（1）自定义类继承WritableComparator
（2）重写compare()方法
（3）创建一个构造将比较对象的类传给父类
MapTask工作机制
（1）Read阶段：MapTask通过用户编写的RecordReader，从输入InputSplit中解析出一个个key/value。
（2）Map阶段：该节点主要是将解析出的key/value交给用户编写map()函数处理，并产生一系列新的key/value。
（3）Collect收集阶段：在用户编写map()函数中，当数据处理完成后，一般会调用OutputCollector.collect()输出结果。在该函数内部，它会将生成的key/value分区（调用Partitioner），并写入一个环形内存缓冲区中。
（4）Spill阶段：即“溢写”，当环形缓冲区满后，MapReduce会将数据写到本地磁盘上，生成一个临时文件。需要注意的是，将数据写入本地磁盘之前，先要对数据进行一次本地排序，并在必要时对数据进行合并、压缩等操作。
溢写阶段详情：
步骤1：利用快速排序算法对缓存区内的数据进行排序，排序方式是，先按照分区编号Partition进行排序，然后按照key进行排序。这样，经过排序后，数据以分区为单位聚集在一起，且同一分区内所有数据按照key有序。
步骤2：按照分区编号由小到大依次将每个分区中的数据写入任务工作目录下的临时文件output/spillN.out（N表示当前溢写次数）中。如果用户设置了Combiner，则写入文件之前，对每个分区中的数据进行一次聚集操作。
步骤3：将分区数据的元信息写到内存索引数据结构SpillRecord中，其中每个分区的元信息包括在临时文件中的偏移量、压缩前数据大小和压缩后数据大小。如果当前内存索引大小超过1MB，则将内存索引写到文件output/spillN.out.index中。
（5）Combine阶段：当所有数据处理完成后，MapTask对所有临时文件进行一次合并，以确保最终只会生成一个数据文件。
当所有数据处理完后，MapTask会将所有临时文件合并成一个大文件，并保存到文件output/file.out中，同时生成相应的索引文件output/file.out.index。
在进行文件合并过程中，MapTask以分区为单位进行合并。对于某个分区，它将采用多轮递归合并的方式。每轮合并io.sort.factor（默认10）个文件，并将产生的文件重新加入待合并列表中，对文件排序后，重复以上过程，直到最终得到一个大文件。
让每个MapTask最终只生成一个数据文件，可避免同时打开大量文件和同时读取大量小文件产生的随机读取带来的开销。
ReduceTask工作机制
（1）Copy阶段：ReduceTask从各个MapTask上远程拷贝一片数据，并针对某一片数据，如果其大小超过一定阈值，则写到磁盘上，否则直接放到内存中。
（2）Merge阶段：在远程拷贝数据的同时，ReduceTask启动了两个后台线程对内存和磁盘上的文件进行合并，以防止内存使用过多或磁盘上文件过多。
（3）Sort阶段：按照MapReduce语义，用户编写reduce()函数输入数据是按key进行聚集的一组数据。为了将key相同的数据聚在一起，Hadoop采用了基于排序的策略。由于各个MapTask已经实现对自己的处理结果进行了局部排序，因此，ReduceTask只需对所有数据进行一次归并排序即可。
（4）Reduce阶段：reduce()函数将计算结果写到HDFS上。
设置ReduceTask并行度（个数）
ReduceTask的并行度同样影响整个Job的执行并发度和执行效率，但与MapTask的并发数由切片数决定不同，ReduceTask数量的决定是可以直接手动设置：
默认值是1，手动设置为4
job.setNumReduceTasks(4);
注意事项：
1、reduceTask=0；表示没有Reduce阶段，输出文件个数和map个数一致
2、ReduceTask默认值是1，所以输出文件个数为1个
3、如果数据分布不均匀，就有可能在Rebuce阶段产生数据倾斜
4、ReduceTask数量并不是任意设置，还要考虑业务逻辑需求，有些情况下，需要计算全局汇总结果，就只能有1个ReduceTask
5、具体有多少个ReduceTask，需要根据集群性能而定
6、如果分区数不是1，但是ReduceTask为1，不能执行分区过程，mapTask的源码中，执行分区的前提是先判断ReduceNum个数是否大于1，不大于1不能执行
OutputFormat数据输出
outputFormat接口实现类
OutputFormat是MapReduce输出的基类，所有实现mapReduce输出都实现了outputFormat接口
文本输出TextOutputFormat
默认的输出格式是textoutputFormat，它把每条记录写为文本行，它的键和值可以是任意类型，因为textoutputFormat调用toString（）方法把他们转换为字符串
SequenceoutputFormat
将SequenceoutputFormat输出作为后续mapReduce任务的输入，这是一种好的输出格式，因为它的格式紧凑，很容易被压缩
自定义outputFormat
为了实现控制最终文件的输出路径和输出格式，可以自定义outputFormat 如要在一个mapReduce程序中根据数据的不同输出两类结果到不同目录，这类灵活的输出需求可以通过自定义output Format来实现
步骤：
1、自定义一个类继承FileOutoutFormat
2、改写RecordWriter,具体改写输出数据方法write()