转载 http://www.cnblogs.com/shapherd/archive/2012/12/21/2827860.html

 

hadoop 支持reduce多路输出的功能，一个reduce可以输出到多个part-xxxxx-X文件中，其中X是A-Z的字母之一，程序在输出<key,value>对的时候，在value的后面追加"#X"后缀，比如#A，输出的文件就是part-00000-A，不同的后缀可以把key,value输出到不同的文件中，方便做输出类型分类， #X仅仅用做指定输出文件后缀， 不会体现到输出的内容中

使用方法

启动脚本中需要指定-outputformat org.apache.hadoop.mapred.lib.SuffixMultipleTextOutputFormat或者-outputformat org.apache.hadoop.mapred.lib.SuffixMultipleSequenceFileOutputFormat， 输出就会按照多路输出的方式进行分文件输出

所有标准输出的value中都要加上 #X后缀，X代表A-Z， 不然会报invalid suffix错误 

$HADOOP_HOME_PATH/bin/hadoop streaming \      -Dhadoop.job.ugi="$HADOOP_JOB_UGI" \      -file ./map.sh \      -file ./red.sh \      -file ./config.sh \      -mapper "sh -x map.sh" \      -reducer "sh -x red.sh" \      -input $NEW_INPUT_PATH \      -input $OLD_INPUT_PATH \      -output  $OUTPUT_PATH \      -jobconf stream.num.map.output.key.fields=1 \      -partitioner org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner \      -outputformat org.apache.hadoop.mapred.lib.SuffixMultipleTextOutputFormat \      -jobconf mapred.job.name="test-shapherd-dist-diff" \      -jobconf mapred.job.priority=HIGH \      -jobconf mapred.job.map.capacity=100 \      -jobconf mapred.job.reduce.capacity=100 \      -jobconf mapred.reduce.tasks=3

在red脚本中可以所以的输出都加上后缀， 这样输出就是分part的了，比如大数据diff对比的脚本

map.sh如下：

source ./config.sh awk 'BEGIN{
    }{    if(match("'${map_input_file}'","'$OLD_INPUT_PATH'"))    {        print $0"\t"0    next    }    if(match("'${map_input_file}'","'$NEW_INPUT_PATH'"))    print $0"\t"1}' exit 0

red.sh如下

awk  -F"\t" 'BEGIN{
        key=""        flag=0        num=0        old_num=0        new_num=0        diff_num=0}{    if($NF == "0")        old_num++    else        new_num++    if($1 != key)    {        if(key != "")        {            if(num <= 1)            {                diff_num++                if(flag == "0")                    print $0"#A"                else                    print $0"#B"            }        }        key=$1        flag=$NF        num=1        next    }     if(key == $1)    {        num++        next       } }END{        if(num  == 1)        {            if(flag == "0")                print $0"#A"            else                print $0"#B"        }         print old_num"\tshapherd#C"        print new_num"\tshapherd#D"        print diff_num"\tshapherd#E"}'  exit 0

我的两个大数据没有diff， 所以输出就是：

part-00000-C

part-00000-D

part-00000-E

part-00001-C

part-00001-D

part-00001-E

part-00002-C

part-00002-D

part-00002-E

没有A和B结尾的

注意事项

• • 多路输出最多支持26路， 也就是字母只能是A-Z范围。
  • reduce的输入key和value的分隔符默认是\t, 如果输出中没有\t，reduce脚本会把整行当作key， value就是空的，这时如果加了#X，会报invalid suffix错误，因为#X作为了key的一部分，这种问题一种是保证你的key和value是按照\t分隔的， 一种是指定自己想要的分隔符。