MapReduce多路径输入与多文件输出
来源：互联网 发布：cad软件下载 编辑：程序博客网 时间：2024/06/01 22:44
我前段时间在完成一个公司业务时，遇到了一个这样的需求：将HDFS上按每天每小时存储的数据进行数据预处理，然后对应按天存储在HDFS........由此可得，MapReduce的输入路径是：
- /user/data/yyyy/MM/dd/HH/
每天有24小时，dd/目录下有24个目录，然后，对这24个目录下的数据预处理，最后输出到dd/目录：在设计代码的时候，发现FileInputFormat.addInputPath()难堪此大任，于是，我就通过APIs等资料，找到了FileInputFormat.setInputPaths()的解决方案。不过，我将在下面对MapReduce的输入/输出进行总结和介绍。
1.MapReduce多路径输入
1.1FileInputFormat.addInputPath(s)
FileInputFormat.addInputPath()是我们最常用的设置MapReduce输入路径的方法了。其实，FileInputFormat有两个这样的方法：
- static void addInputPath(Job job, Path path)
-
- static void addInputPaths(Job job, String commaSeperatedPaths)
- FileInputFormat.addInputPath(job, new Path(args[0]));
- FileInputFormat.addInputPath(job, new Path(args[1]));
- FileInputFormat.addInputPath(job, new Path(args[2]));
- String paths = strings[0] + "," + strings[1];
- FileInputFormat.addInputPaths(job, paths);
- 路径必须是指向目的文件的，如：/user/yyyy/mm/dd，而文件实际存在/user/yyyy/mm/dd/00，/user/yyyy/mm/dd/01。
- 路径中的目录不能存在通配符，如：/user/yyyy/mm/dd/*/。（我在2个节点的虚拟机上是用小数据可行的，但是在公司的大集群用大数据是不可行的，所以建议不要用通配符）。
- 目的文件的文件格式和类型必须一样，如：文件类型有CSV，RCFile。
- 所有文件都通过一个Mapper进行处理。
- 文件路径过多，代码冗余增加。
1.2MultipleInputs.addInputPath
MultipleInputs的addInputPath有两种定义方式：
- static void addInputPath(Job job, Path path, Class<? extends InputFormat> inputFormatClass)
-
- static void addInputPath(Job job, Path path, Class<? extends InputFormat> inputFormatClass, Class<? extends Mapper> mapperClass)
- MultipleInputs.addInputPath(job, new Path(args[0]), TextInputFormat.class);
- MultipleInputs.addInputPath(job, new Path(args[1]), TextInputFormat.class);
后者可以对不同的路径指定不同的Mapper，故可以指定不同Mapper处理不同类型的文件。
- MultipleInputs.addInputPath(job, new Path(args[0]), TextInputFormat.class,
- MultiPathMR.MultiMap1.class);
- MultipleInputs.addInputPath(job, new Path(args[1]), TextInputFormat.class,
- MultiPathMR.MultiMap2.class);
这两种方法的缺陷：- 路径必须是指向目的文件的，如：/user/yyyy/mm/dd，而文件实际存在/user/yyyy/mm/dd/00，/user/yyyy/mm/dd/01。
- 文件路径过多，代码冗余增加。
优势：- 可以处理不同类型或不同格式的文件，如：CSV，RCFile。
- 路径中的目录能存在通配符，如：/user/yyyy/mm/dd/*/。
- 可以指定不同的Mapper处理不同路径下的文件。
3.1.3 FileInputFormat.setInputPaths
FileInputFormat有三个设置路径的方法：
- static void setInputPathFilter(Job job, Class<? extends PathFilter> filter)
-
- static void setInputPaths(Job job, Path... inputPaths)
-
- static void setInputPaths(Job job, String commaSeparatedPaths)
这三个方法功能特别强大，可以匹配路径上的通配符：通配符
描述
*
匹配0个或多个字符
?
匹配单个字符
[ab]
匹配集合{a, b}中的单个字符
[^ab]
匹配不在集合{a, b}中的单个字符
[a-b]
匹配闭区间[a, b]中的单个字符，其顺序按字典字母排序
[^a-b]
匹配不在闭区间[a, b]中的单个字符
{a, b}
匹配a表达式或b表达式
\c
匹配元字符c
因为第二个参数是Path... args，代表可以穿0个，1个或多个参数（数组）；- FileInputFormat.setInputPaths(job, new Path(strings[0]));
- Path[] paths = {new Path(strings[0]), new Path(strings[1])};
- FileInputFormat.setInputPaths(job, paths);
- String paths = strings[0] + "," + strings[1];
- FileInputFormat.setInputPaths(job, paths);
- 目的文件的文件格式和类型必须一样，如：文件类型有CSV，RCFile。
- 所有文件都通过一个Mapper进行处理。
优势：- 路径必须是指向目的文件的，如：/user/yyyy/mm/dd，而文件实际存在/user/yyyy/mm/dd/00，/user/yyyy/mm/dd/01。
- 路径中的目录能存在通配符，如：/user/yyyy/mm/dd/*/。
- 由于能使用通配符，所以即使路径过多，也不至于是代码冗余太多。
2多文件输出
MapReduce可以定义多文件输出，但是不能定义多目录输出。提供这种功能的是MultipleOutputs类。MultipleOutputs有三个write()方法：- void write(KEYOUT key, VALUEOUT value, String baseOutputPath)
-
- <K, V> void write(String namedOutput, K key, V value)
-
- <K, V> void write(String namedOutput, K key, V value, String baseOutputPath)
- hello,world
- hello,hadoop
- hello,spark
- public class MultiOutMR {
-
- public static class MultiOutMapper extends Mapper<Object, Text, Text, IntWritable> {
-
- private Text outKey = new Text();
- private IntWritable outValue = new IntWritable(1);
- @Override
- protected void map(Object key, Text value, Context context) throws IOException, InterruptedException {
- String[] line = value.toString().trim().split(",");
- for(String word : line){
- outKey.set(word);
- context.write(outKey, outValue);
- }
- }
- }
-
- public static class MultiOutReducer extends Reducer<Text, IntWritable, Text, LongWritable> {
-
- private LongWritable count = new LongWritable();
- private MultipleOutputs outputs;
-
- @Override
- protected void setup(Context context) throws IOException, InterruptedException {
- outputs = new MultipleOutputs(context);
- }
-
- @Override
- protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
- int sum = 0;
- for(IntWritable value : values){
- sum += value.get();
- }
- count.set(sum);
-
- Configuration conf = context.getConfiguration();
- String type = conf.get("type");
- if(type.equalsIgnoreCase("namedOutput")) {
- if(key.toString().equals("hello")) {
- outputs.write("hello", key, count);
- }
- else {
- outputs.write("IT", key, count);
- }
- }
- else if(type.equalsIgnoreCase("baseOutputPath")){
- outputs.write(key, count, key.toString());
- }
- else {
- if(key.toString().equals("hello")) {
- outputs.write("hello", key, count, key.toString());
- }
- else {
- outputs.write("IT", key, count, key.toString());
- }
- }
- }
-
- @Override
- protected void cleanup(Context context) throws IOException, InterruptedException {
- outputs.close();
- }
- }
- }
- public class Driver extends Configured implements Tool {
- @Override
- public int run(String[] strings) throws Exception {
- Configuration conf = getConf();
- conf.set("type", strings[2]);
-
- Job job = new Job(conf, "Multiple Output");
- job.setJarByClass(Driver.class);
- job.setMapperClass(MultiOutMR.MultiOutMapper.class);
- job.setMapOutputKeyClass(Text.class);
- job.setMapOutputValueClass(IntWritable.class);
- job.setReducerClass(MultiOutMR.MultiOutReducer.class);
-
- if(!strings[2].equalsIgnoreCase("baseOutputPath")){
- MultipleOutputs.addNamedOutput(job, "hello", TextOutputFormat.class,
- Text.class, LongWritable.class);
- MultipleOutputs.addNamedOutput(job, "IT", TextOutputFormat.class,
- Text.class, LongWritable.class);
- }
-
- FileInputFormat.addInputPath(job, new Path(strings[0]));
- FileOutputFormat.setOutputPath(job, new Path(strings[1]));
-
- return job.waitForCompletion(true) ? 0 : 1;
- }
-
- public static void main(String[] args)throws Exception{
- Configuration conf = new Configuration();
- String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
- if(otherArgs.length != 3){
- System.err.println("Usage: <input> <input> <output type>");
- System.out.println("Type:\n" +
- "namedOutput - the named output name.\n" +
- "baseOutputPath - base-output path to write the record to. Note: Framework will generate unique filename for the baseOutputPath.\n" +
- "all - contains namedOutput and baseOutputPath.");
- System.exit(1);
- }
-
- System.exit(ToolRunner.run(conf, new Driver(), otherArgs));
- }
- }
参考文献：
http://blog.zaloni.com/using-globs-and-wildcards-with-mapreduce
