在企業開發中,Hadoop框架自帶的
InputFormat
型別不能滿足所有應用場景,需要自定義InputFormat來解決實際問題。
自定義InputFormat步驟如下:
- (1)自定義一個類繼承
FilelnputFormat
。 - (2)自定義一個類繼承
RecordReader
,實現一次讀取一個完整檔案,將檔名為key,檔案內容為value。 - (3)在輸出時使用
SequenceFileOutPutFormat
輸出合併檔案。
無論HDFS還是MapReduce,在處理小檔案時效率都非常低,但又難免面臨處理大量小檔案的場景,此時,就需要有相應解決方案。可以自定義InputFormat實現小檔案的合併。
1. 需求
將多個小檔案合併成一個SequenceFile
檔案(SequenceFile檔案是Hadoop用來儲存二進位制形式的key-value(bytes) 對的檔案格式),SequenceFile裡面儲存著多個檔案,儲存的形式為檔案路徑+名稱為key,檔案內容為value。
(1)輸入資料
(2)期望輸出檔案格式
2. 需求分析
-
自定義一個類繼承
FileInputFormat
(1)重寫isSplitable()
方法,返回false
,讓檔案不可切,整個檔案作為1片。
(2)重寫createRecordReader(),返回自定義的RecordReader物件 -
自定義一個類繼承
RecordReader
在RecordReader中,nextKeyValue
()是最重要的方法,返回當前讀取到的key-value
,如果讀到返回true
,呼叫Mapper的map()來處理,否則返回false
3. 編寫程式
MyInputFormat.java
/*
* 1. 改變切片策略,一個檔案固定切1片,通過指定檔案不可切
*
* 2. 提供RR ,這個RR讀取切片的檔名作為key,讀取切片的內容封裝到bytes作為value
*/
public class MyInputFormat extends FileInputFormat {
@Override
public RecordReader createRecordReader(InputSplit split, TaskAttemptContext context) throws IOException, InterruptedException {
return new MyRecordReader();
}
@Override
protected boolean isSplitable(JobContext context, Path filename) {
return false;
}
}
MyRecordReader.java
/*
* RecordReader從MapTask處理的當前切片中讀取資料
*
* XXXContext都是Job的上下文,通過XXXContext可以獲取Job的配置Configuration物件
*/
public class MyRecordReader extends RecordReader {
private Text key;
private BytesWritable value;
private String filename;
private int length;
private FileSystem fs;
private Path path;
private FSDataInputStream is;
private boolean flag=true;
// MyRecordReader在建立後,在進入Mapper的run()之前,自動呼叫
// 檔案的所有內容設定為1個切片,切片的長度等於檔案的長度
@Override
public void initialize(InputSplit split, TaskAttemptContext context) throws IOException, InterruptedException {
FileSplit fileSplit=(FileSplit) split;
filename=fileSplit.getPath().getName();
length=(int) fileSplit.getLength();
path=fileSplit.getPath();
//獲取當前Job的配置物件
Configuration conf = context.getConfiguration();
//獲取當前Job使用的檔案系統
fs=FileSystem.get(conf);
is = fs.open(path);
}
// 讀取一組輸入的key-value,讀到返回true,否則返回false
// 將檔案的名稱封裝為key,將檔案的內容封裝為BytesWritable型別的value,返回true
// 第二次呼叫nextKeyValue()返回false
@Override
public boolean nextKeyValue() throws IOException, InterruptedException {
if (flag) {
//例項化物件
if (key==null) {
key=new Text();
}
if (value==null) {
value=new BytesWritable();
}
//賦值
//將檔名封裝到key中
key.set(filename);
// 將檔案的內容讀取到BytesWritable中
byte [] content=new byte[length];
IOUtils.readFully(is, content, 0, length);
value.set(content, 0, length);
flag=false;
return true;
}
return false;
}
//返回當前讀取到的key-value中的key
@Override
public Object getCurrentKey() throws IOException, InterruptedException {
return key;
}
//返回當前讀取到的key-value中的value
@Override
public Object getCurrentValue() throws IOException, InterruptedException {
return value;
}
//返回讀取切片的進度
@Override
public float getProgress() throws IOException, InterruptedException {
return 0;
}
// 在Mapper的輸入關閉時呼叫,清理工作
@Override
public void close() throws IOException {
if (is != null) {
IOUtils.closeStream(is);
}
if (fs !=null) {
fs.close();
}
}
}
CustomIFMapper.java
public class CustomIFMapper extends Mapper<Text, BytesWritable, Text, BytesWritable>{
}
CustomIFReducer.java
public class CustomIFReducer extends Reducer<Text, BytesWritable, Text, BytesWritable>{
}
CustomIFDriver.java
public class CustomIFDriver {
public static void main(String[] args) throws Exception {
Path inputPath=new Path("e:/mrinput/custom");
Path outputPath=new Path("e:/mroutput/custom");
//作為整個Job的配置
Configuration conf = new Configuration();
//保證輸出目錄不存在
FileSystem fs=FileSystem.get(conf);
if (fs.exists(outputPath)) {
fs.delete(outputPath, true);
}
// 建立Job
Job job = Job.getInstance(conf);
// 設定Job執行的Mapper,Reducer型別,Mapper,Reducer輸出的key-value型別
job.setMapperClass(CustomIFMapper.class);
job.setReducerClass(CustomIFReducer.class);
// Job需要根據Mapper和Reducer輸出的Key-value型別準備序列化器,通過序列化器對輸出的key-value進行序列化和反序列化
// 如果Mapper和Reducer輸出的Key-value型別一致,直接設定Job最終的輸出型別
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(BytesWritable.class);
// 設定輸入目錄和輸出目錄
FileInputFormat.setInputPaths(job, inputPath);
FileOutputFormat.setOutputPath(job, outputPath);
// 設定輸入和輸出格式
job.setInputFormatClass(MyInputFormat.class);
job.setOutputFormatClass(SequenceFileOutputFormat.class);
// ③執行Job
job.waitForCompletion(true);
}
}