自定义InputFormat案例实操

时间:2019-10-09
本文章向大家介绍自定义InputFormat案例实操,主要包括自定义InputFormat案例实操使用实例、应用技巧、基本知识点总结和需要注意事项,具有一定的参考价值,需要的朋友可以参考一下。

引言:

  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。(对外是一个整文件,对内仍是原先的小文件,节省MapTask)

需求如下:

  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)输入数据

 

          

 

(2)期望输出文件格式

  

 

步骤:

 

 

 

 

 

 

 

程序实现

(1)自定义InputFromat

package cn.mark.mrInputFormat;

import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.BytesWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.InputSplit;
import org.apache.hadoop.mapreduce.JobContext;
import org.apache.hadoop.mapreduce.RecordReader;
import org.apache.hadoop.mapreduce.TaskAttemptContext;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;

import java.io.IOException;

//存储的形式为文件路径+名称为key,文件内容为value。读全部文件用到流,byte
//故 输入Key类型为Text,输入Value类型为BytesWritable
public class WholeFileInputformat extends FileInputFormat<Text, BytesWritable> {
// 定义类继承FileInputFormat

    @Override
    protected boolean isSplitable(JobContext context, Path filename) {
        return false;//单个文件不允许再切片
    }

    @Override
    public RecordReader<Text, BytesWritable> createRecordReader(InputSplit split, TaskAttemptContext context)
            throws IOException, InterruptedException {

        WholeRecordReader recordReader = new WholeRecordReader();
        recordReader.initialize(split,context);
        return recordReader;
    }
}

(2)自定义RecordReader类(核心)

package cn.mark.mrInputFormat;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.BytesWritable;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.InputSplit;
import org.apache.hadoop.mapreduce.RecordReader;
import org.apache.hadoop.mapreduce.TaskAttemptContext;
import org.apache.hadoop.mapreduce.lib.input.FileSplit;

import java.io.IOException;
//RecordReader<Text, BytesWritable> 固有的输入KV格式
public class WholeRecordReader extends RecordReader<Text, BytesWritable> {

//    主要针对缺什么补什么
    FileSplit split;
    Configuration configuration;
    Text k = new Text();
    BytesWritable v = new BytesWritable();
//    标记位
    boolean isProgress = true;
//************************************
    @Override
    public void initialize(InputSplit split, TaskAttemptContext context) throws IOException, InterruptedException {
//      初始化
        this.split = (FileSplit) split;
        configuration = context.getConfiguration();
    }

    @Override
    public boolean nextKeyValue() throws IOException, InterruptedException {
//        核心业务逻辑处理   对key和value进行封装
        if (isProgress){

            /** The number of bytes in the file to process. 获取文件字节的全部数量
            public long getLength() { return fs.getLength(); }      */
            byte[] buf = new byte[(int) split.getLength()];
    //        1.获取fs对象
            Path path = split.getPath();
            FileSystem fs = path.getFileSystem(configuration);

    //        2.获取输入流
            FSDataInputStream fis = fs.open(path);

    //        3.拷贝
    //        readFully(InputStream in, byte buf[],    int off,        int len)
    //        4各参数:   1.要读的流       2.目的地     3.读的大小的起始位置 4.读的长度
            /**
             * Reads len bytes in a loop.
             * @param in InputStream to read from
             * @param buf The buffer to fill
             * @param off offset from the buffer :缓冲区的偏移量,即开始位置
             * @param len the length of bytes to read
               先开辟一段相应长度的字节缓冲区,再读内容进去                      */
            IOUtils.readFully(fis,buf,0,buf.length);

    //        4.封装v  v是文件的内容
            /**Set the value to a copy of the given byte range
             * @param newData the new values to copy in
             * @param offset the offset in newData to start at
             * @param length the number of bytes to copy
            public void set(byte[] newData, int offset, int length)
             再将之前的缓冲区内容通过set方法,设置成v的值    */
            v.set(buf,0,buf.length);

    //        5.封装K ,k本身就是路径名  path.toString():既有路径又有文件名称
            k.set(path.toString());

    //        6.关闭资源
            IOUtils.closeStream(fis);

//            能进来说明能读到数据,而且每次调用nextKeyValue函数时候是说明已经新读一个文件,
//            本WholeRecordReader类会重新创建对象,重新初始化,isProgress都会重新设为true
            isProgress = false;//说明本文件已经读完!
            return true;        //只有return true才会执行下面的函数
         /**   public void run(Context context) throws IOException, InterruptedException {
                setup(context);
                try {
                    while (context.nextKeyValue()) { //<往常只读一行,有数据则true>
                        map(context.getCurrentKey(), context.getCurrentValue(), context);
                    }
                } finally {
                    cleanup(context);
                }
            }     下如果只写ture 则会无限循环,如果只写false则会不进循环,不进行读写操作,
                        故需要一个标记*/
        }
        return false;
    }

    @Override
    public Text getCurrentKey() throws IOException, InterruptedException {

        return k;
    }

    @Override
    public BytesWritable getCurrentValue() throws IOException, InterruptedException {

        return v;
    }
//***********************************
    @Override
    public float getProgress() throws IOException, InterruptedException {
        return 0;
    }

    @Override
    public void close() throws IOException {

    }
}

 

(3)编写SequenceFileMapper类处理流程

package cn.mark.mrInputFormat;

import org.apache.hadoop.io.BytesWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

public class SequenceFileMapper extends Mapper<Text, BytesWritable,Text,BytesWritable> {
    @Override
    protected void map(Text key, BytesWritable value, Context context) throws IOException, InterruptedException {
//        不是一次读取一行,是一次读取一整个文件
        context.write(key,value);
    }
}

(4)编写SequenceFileReducer类处理流程

package cn.mark.mrInputFormat;

import org.apache.hadoop.io.BytesWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;
//  要知道传过来的是什么数据及其类型
//  传过来a.txt , b.txt 输出 :  <路径名文件名,文件内容>
public class SequenceFileReducer extends Reducer<Text, BytesWritable,Text, BytesWritable> {
    @Override
    protected void reduce(Text key, Iterable<BytesWritable> values, Context context) throws IOException, InterruptedException {

//        循环写出 每次都是一个文件的全部内容
        for (BytesWritable value :
                values) {
            context.write(key,value);
        }

    }
}

(5)编写SequenceFileDriver类处理流程

package cn.mark.mrInputFormat;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.BytesWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.SequenceFileOutputFormat;

import java.io.IOException;

public class SequenceFileDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        // 输入输出路径需要根据自己电脑上实际的输入输出路径设置
        args = new String[] { "C:\\Users\\Administrator\\Downloads\\input\\123",
                "C:\\Users\\Administrator\\Downloads\\input\\output" };

        // 1 获取job对象
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);

        // 2 设置jar包存储位置、关联自定义的mapper和reducer
        job.setJarByClass(SequenceFileDriver.class);
        job.setMapperClass(SequenceFileMapper.class);
        job.setReducerClass(SequenceFileReducer.class);

        // 7设置输入的inputFormat
        job.setInputFormatClass(WholeFileInputformat.class);

        // 8设置输出的outputFormat  默认是Text.class
        job.setOutputFormatClass(SequenceFileOutputFormat.class);

        // 3 设置map输出端的kv类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(BytesWritable.class);

        // 4 设置最终输出端的kv类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(BytesWritable.class);

        // 5 设置输入输出路径
        FileInputFormat.setInputPaths(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        // 6 提交job
        job.waitForCompletion(true);

    }
}

 

 ok!

 

$flag 上一页 下一页