`

自定义hadoop map/reduce输入文件切割InputFormat

 
阅读更多

        hadoop会对原始输入文件进行文件切割,然后把每个split传入mapper程序中进行处理,FileInputFormat是所有以文件作为数据源的InputFormat实现的基类,FileInputFormat保存作为job输入的所有文件,并实现了对输入文件计算splits的方法。至于获得记录的方法是有不同的子类进行实现的。

        那么,FileInputFormat是怎样将他们划分成splits的呢?FileInputFormat只划分比HDFS block大的文件,所以如果一个文件的大小比block小,将不会被划分,这也是Hadoop处理大文件的效率要比处理很多小文件的效率高的原因。 

       hadoop默认的InputFormat是TextInputFormat,重写了FileInputFormat中的createRecordReader和isSplitable方法。该类使用的reader是LineRecordReader,即以回车键(CR = 13)或换行符(LF = 10)为行分隔符。

      但大多数情况下,回车键或换行符作为输入文件的行分隔符并不能满足我们的需求,通常用户很有可能会输入回车键、换行符,所以通常我们会定义不可见字符(即用户无法输入的字符)为行分隔符,这种情况下,就需要新写一个InputFormat。

      又或者,一条记录的分隔符不是字符,而是字符串,这种情况相对麻烦;还有一种情况,输入文件的主键key已经是排好序的了,需要hadoop做的只是把相同的key作为一个数据块进行逻辑处理,这种情况更麻烦,相当于免去了mapper的过程,直接进去reduce,那么InputFormat的逻辑就相对较为复杂了,但并不是不能实现。

    1、改变一条记录的分隔符,不用默认的回车或换行符作为记录分隔符,甚至可以采用字符串作为记录分隔符
     1)自定义一个InputFormat,继承FileInputFormat,重写createRecordReader方法,如果不需要分片或者需要改变分片的方式,则重写isSplitable方法,具体代码如下:

public class FileInputFormatB extends FileInputFormat<LongWritable, Text> {

   @Override

   public RecordReader<LongWritable, Text> createRecordReader( InputSplit split, TaskAttemptContext context) {
        return new SearchRecordReader("\b");

    }

    @Override
    protected boolean isSplitable(FileSystem fs, Path filename) {
         // 输入文件不分片
        return false;
     }
}

   2)关键在于定义一个新的SearchRecordReader继承RecordReader,支持自定义的行分隔符,即一条记录的分隔符。标红的地方为与hadoop默认的LineRecordReader不同的地方。

public class IsearchRecordReader extends RecordReader<LongWritable, Text> {
 private static final Log LOG = LogFactory.getLog(IsearchRecordReader.class);
 
 private CompressionCodecFactory compressionCodecs = null;
 private long start;
 private long pos;
 private long end;
 private LineReader in;
 private int maxLineLength;
 private LongWritable key = null;
 private Text value = null;
 //行分隔符,即一条记录的分隔符
 private byte[] separator = {'\b'};
 private int sepLength = 1;

‍ public IsearchRecordReader(){
 }
 public IsearchRecordReader(String seps){
  this.separator = seps.getBytes(); 
  sepLength = separator.length;
 }

 public void initialize(InputSplit genericSplit, TaskAttemptContext context) throws IOException {
  FileSplit split = (FileSplit) genericSplit;
  Configuration job = context.getConfiguration();
  this.maxLineLength = job.getInt("mapred.linerecordreader.maxlength", Integer.MAX_VALUE);

  this.start = split.getStart();
  this.end = (this.start + split.getLength());
  Path file = split.getPath();
  this.compressionCodecs = new CompressionCodecFactory(job);
  CompressionCodec codec = this.compressionCodecs.getCodec(file);

  // open the file and seek to the start of the split
  FileSystem fs = file.getFileSystem(job);
  FSDataInputStream fileIn = fs.open(split.getPath());
  boolean skipFirstLine = false;
  if (codec != null) {
   this.in = new LineReader(codec.createInputStream(fileIn), job);
   this.end = Long.MAX_VALUE;
  } else {
   if (this.start != 0L) {
    skipFirstLine = true;
    this.start -= sepLength;
    fileIn.seek(this.start);
   }
   this.in = new LineReader(fileIn, job);
  }
  if (skipFirstLine) { // skip first line and re-establish "start".
   int newSize = in.readLine(new Text(), 0, (int) Math.min( (long) Integer.MAX_VALUE, end - start));
   
   if(newSize > 0){
    start += newSize;
   }
  }

  this.pos = this.start;
 }

 public boolean nextKeyValue() throws IOException {
  if (this.key == null) {
   this.key = new LongWritable();
  }
  this.key.set(this.pos);
  if (this.value == null) {
   this.value = new Text();
  }
  int newSize = 0;
  while (this.pos < this.end) {
   newSize = this.in.readLine(this.value, this.maxLineLength, Math.max(
 (int) Math.min(Integer.MAX_VALUE, this.end - this.pos), this.maxLineLength));

   if (newSize == 0) {
    break;
   }
   this.pos += newSize;
   if (newSize < this.maxLineLength) {
    break;
   }

   LOG.info("Skipped line of size " + newSize + " at pos " + (this.pos - newSize));
  }

  if (newSize == 0) {
   //读下一个buffer
   this.key = null;
   this.value = null;
   return false;
  }
  //读同一个buffer的下一个记录
  return true;
 }

 public LongWritable getCurrentKey() {
  return this.key;
 }

 public Text getCurrentValue() {
  return this.value;
 }

 public float getProgress() {
  if (this.start == this.end) {
   return 0.0F;
  }
  return Math.min(1.0F, (float) (this.pos - this.start) / (float) (this.end - this.start));
 }

 public synchronized void close() throws IOException {
  if (this.in != null)
   this.in.close();
 }

}

   3)重写SearchRecordReader需要的LineReader,可作为SearchRecordReader内部类。特别需要注意的地方就是,读取文件的方式是按指定大小的buffer来读,必定就会遇到一条完整的记录被切成两半,甚至如果分隔符大于1个字符时分隔符也会被切成两半的情况,这种情况一定要加以拼接处理。

public class LineReader {
  //回车键(hadoop默认)
  //private static final byte CR = 13;
  //换行符(hadoop默认)
  //private static final byte LF = 10;
    
  //按buffer进行文件读取
  private static final int DEFAULT_BUFFER_SIZE = 32 * 1024 * 1024;
  private int bufferSize = DEFAULT_BUFFER_SIZE;
  private InputStream in;
  private byte[] buffer;
  private int bufferLength = 0;
  private int bufferPosn = 0;
  
  LineReader(InputStream in, int bufferSize) {
   this.bufferLength = 0;
    this.bufferPosn = 0;
      
   this.in = in;
   this.bufferSize = bufferSize;
   this.buffer = new byte[this.bufferSize];
  }

  public LineReader(InputStream in, Configuration conf) throws IOException {
   this(in, conf.getInt("io.file.buffer.size", DEFAULT_BUFFER_SIZE));
  }

  public void close() throws IOException {
   in.close();
  }

 public int readLine(Text str, int maxLineLength) throws IOException {
   return readLine(str, maxLineLength, Integer.MAX_VALUE);
  }

  public int readLine(Text str) throws IOException {
   return readLine(str, Integer.MAX_VALUE, Integer.MAX_VALUE);
  }

  //以下是需要改写的部分_start,核心代码

  public int readLine(Text str, int maxLineLength, int maxBytesToConsume) throws IOException{
   str.clear();
   Text record = new Text();
   int txtLength = 0;
   long bytesConsumed = 0L;
   boolean newline = false;
   int sepPosn = 0;
   
   do {
    //已经读到buffer的末尾了,读下一个buffer
    if (this.bufferPosn >= this.bufferLength) {
     bufferPosn = 0;
     bufferLength = in.read(buffer);
     
     //读到文件末尾了,则跳出,进行下一个文件的读取
     if (bufferLength <= 0) {
      break;
     }
    }
    
    int startPosn = this.bufferPosn;
    for (; bufferPosn < bufferLength; bufferPosn ++) {
     //处理上一个buffer的尾巴被切成了两半的分隔符(如果分隔符中重复字符过多在这里会有问题)
     if(sepPosn > 0 && buffer[bufferPosn] != separator[sepPosn]){
      sepPosn = 0;
     }
     
     //遇到行分隔符的第一个字符
     if (buffer[bufferPosn] == separator[sepPosn]) {
      bufferPosn ++;
      int i = 0;
      
      //判断接下来的字符是否也是行分隔符中的字符
      for(++ sepPosn; sepPosn < sepLength; i ++, sepPosn ++){
       
       //buffer的最后刚好是分隔符,且分隔符被不幸地切成了两半
       if(bufferPosn + i >= bufferLength){
        bufferPosn += i - 1;
        break;
       }
       
       //一旦其中有一个字符不相同,就判定为不是分隔符
       if(this.buffer[this.bufferPosn + i] != separator[sepPosn]){
        sepPosn = 0;
        break;
       }
      }
      
      //的确遇到了行分隔符
      if(sepPosn == sepLength){
       bufferPosn += i;
       newline = true;
       sepPosn = 0;
       break;
      }
     }
    }

    
    int readLength = this.bufferPosn - startPosn;

    bytesConsumed += readLength;
    //行分隔符不放入块中
    //int appendLength = readLength - newlineLength;
    if (readLength > maxLineLength - txtLength) {
     readLength = maxLineLength - txtLength;
    }
    if (readLength > 0) {
     record.append(this.buffer, startPosn, readLength);
     txtLength += readLength;
     
     //去掉记录的分隔符
     if(newline){
      str.set(record.getBytes(), 0, record.getLength() - sepLength);
     }
    }

   } while (!newline && (bytesConsumed < maxBytesToConsume));

   if (bytesConsumed > (long)Integer.MAX_VALUE) {
    throw new IOException("Too many bytes before newline: " + bytesConsumed);
   }
   
   return (int) bytesConsumed;
  }

  //以下是需要改写的部分_end

//以下是hadoop-core中LineReader的源码_start

public int readLine(Text str, int maxLineLength, int maxBytesToConsume) throws IOException{
    str.clear();
    int txtLength = 0;
    int newlineLength = 0;
    boolean prevCharCR = false;
    long bytesConsumed = 0L;
    do {
      int startPosn = this.bufferPosn;
      if (this.bufferPosn >= this.bufferLength) {
        startPosn = this.bufferPosn = 0;
        if (prevCharCR)  bytesConsumed ++;
        this.bufferLength = this.in.read(this.buffer);
        if (this.bufferLength <= 0)  break;
      }
      for (; this.bufferPosn < this.bufferLength; this.bufferPosn ++) {
        if (this.buffer[this.bufferPosn] == LF) {
          newlineLength = (prevCharCR) ? 2 : 1;
          this.bufferPosn ++;
          break;
        }
        if (prevCharCR) {
          newlineLength = 1;
          break;
        }
        prevCharCR = this.buffer[this.bufferPosn] == CR;
      }
      int readLength = this.bufferPosn - startPosn;
      if ((prevCharCR) && (newlineLength == 0))
        --readLength;
      bytesConsumed += readLength;
      int appendLength = readLength - newlineLength;
      if (appendLength > maxLineLength - txtLength) {
        appendLength = maxLineLength - txtLength;
      }
      if (appendLength > 0) {
        str.append(this.buffer, startPosn, appendLength);
        txtLength += appendLength; }
    }
    while ((newlineLength == 0) && (bytesConsumed < maxBytesToConsume));

    if (bytesConsumed > (long)Integer.MAX_VALUE) throw new IOException("Too many bytes before newline: " + bytesConsumed);
    return (int)bytesConsumed;
  }

//以下是hadoop-core中LineReader的源码_end

}

2、已经按主键key排好序了,并保证相同主键key一定是在一起的,假设每条记录的第一个字段为主键,那么如果沿用上面的LineReader,需要在核心方法readLine中对前后两条记录的id进行equals判断,如果不同才进行split,如果相同继续下一条记录的判断。代码就不再贴了,但需要注意的地方,依旧是前后两个buffer进行交接的时候,非常有可能一条记录被切成了两半,一半在前一个buffer中,一半在后一个buffer中。

     这种方式的好处在于少去了reduce操作,会大大地提高效率,其实mapper的过程相当的快,费时的通常是reduce。

 

转自:http://hi.baidu.com/lzpsky/blog/item/99d58738b08a68e7b311c70d.html

分享到:
评论

相关推荐

    Hadoop Map Reduce教程

    - **自定义类**:用户可以自定义 `InputFormat` 和 `OutputFormat` 类来控制输入输出格式。 #### 四、Hadoop MapReduce 性能调优 - **内存管理**:合理设置 MapReduce 任务的内存大小可以提高整体性能。 - **数据...

    hadoop-eclipse-plugin-1.0.3.jar 插件

    2. **资源管理**:开发者可以方便地将源代码、配置文件以及输入数据集组织到HDFS(Hadoop Distributed File System)中。通过插件,可以直接在Eclipse中浏览HDFS文件系统,并上传或下载文件。 3. **运行与调试**:...

    map-reduce详细

    - **输入分片信息写入**:通过输入格式化器 (`InputFormat`) 获得分片信息,默认类型为 `FileSplit`,并将这些信息写入 `job.split` 文件。 - **配置信息写入**:将所有任务配置信息写入 `job.xml` 文件。 - **...

    Hadoop集群扩容操作手册

    -inputformat org.apache.hadoop.mapred.TextInputFormat \ -outputformat org.apache.hadoop.mapred.TextOutputFormat 在本示例中,我们使用了BZip2Codec对数据进行压缩。该方法可以大大减少存储空间。

    a java map reduce framework

    Map阶段是MapReduce的核心部分,它将输入数据分割成独立的块(通常为文件),然后对每个块执行一个Map函数。Map函数接受键值对作为输入,产生一系列中间键值对。这个过程是并行的,因此可以在多个节点上同时运行,...

    hadoop-map-reduce-demo

    《Hadoop MapReduce实战指南——基于&lt;hadoop-map-reduce-demo&gt;项目解析》 在大数据处理领域,Hadoop MapReduce作为核心组件,承担着数据分布式计算的任务。本篇将通过一个名为“hadoop-map-reduce-demo”的示例项目...

    map-reduce详细.pdf

    Mapper读取`job.split`文件中的输入分片信息,然后调用用户自定义的`map()`函数处理输入数据,并生成中间键值对。 - **Shuffle和Sort阶段**:Mapper生成的中间结果会被分区和排序,以便Reducer可以正确处理。这个...

    HadoopMovieAnalysis:使用 Hadoop Map Reduce 框架分析电影

    6. **数据输入与输出**:Hadoop通过InputFormat和OutputFormat定义数据的输入和输出格式。项目中的代码需要配置适当的InputFormat来读取电影数据,如CSV或JSON,同时定义OutputFormat来决定结果如何存储,可能是HDFS...

    007_hadoop中MapReduce应用案例_1_数据去重

    `map()`函数负责将输入数据分割并转化为键值对,而`reduce()`函数则对这些键值对进行聚合,从而实现数据去重。在这个特定的案例中,`Uniq.java`可能包含了逻辑来识别重复的键,并确保在输出中只保留一个副本。 `...

    Hadoop源代码分析

    3. **InputFormat与OutputFormat**:InputFormat负责将原始输入数据分割成RecordReader可以处理的块,而OutputFormat则定义如何将Reducer的输出写入到最终的文件系统。用户可以通过自定义InputFormat和OutputFormat...

    Hadoop权威指南(2)

    Map阶段将输入数据拆分成键值对并进行局部处理,Reduce阶段则负责收集Map阶段的结果,执行聚合操作。这一章将详细解释Map和Reduce函数的编写,以及Shuffle和Sort过程。 第三章“Hadoop分布式文件系统(HDFS)”详细...

    preprocessing-data-map_reduce.zip_reduce

    通常,这个程序会用Java编写,利用Hadoop的API,如`Job`类和`InputFormat`/`OutputFormat`接口。 总的来说,理解并掌握如何在Windows环境下搭建Hadoop以及使用MapReduce进行数据预处理,对于大数据分析和挖掘具有...

    大数据-hadoop-mapreduce代码

    此外,代码中可能还会涉及到Hadoop的相关API,如`InputFormat`、`OutputFormat`和`Partitioner`等接口,它们分别用于定义输入数据的格式、输出数据的格式以及数据分区策略。 MapReduce非常适合处理批处理任务,例如...

    Hive及Hadoop作业调优

    Map任务的数量依赖于输入数据的切割(split)数量,压缩文件不可切割,因此Map数等于输入的文件数。非压缩文件及Sequence文件可以被切割。HDFS上,一个文件物理上以一个或多个block存储,一个block对应一个Linux文件...

    hadoop开发所需类

    6. **InputFormat 和 OutputFormat**:`InputFormat`定义如何将输入数据分割为键值对,而`OutputFormat`规定如何将Reduce阶段的结果写回。常见的实现有`TextInputFormat`和`TextOutputFormat`,但可以根据需求自定义...

    hadoop 2.5.2 源码

    - 通过阅读源码,开发者可以自定义Hadoop的行为,例如编写自定义InputFormat、OutputFormat或Partitioner。 - 调试工具,如Hadoop的日志系统和JMX监控,可以帮助定位和解决问题。 6. 性能优化 - 通过对源码的...

    探索HadoopOutputFormat

    从高层次角度来看,整个过程就是Hadoop接收输入文件、使用自定义转换(Map-Reduce步骤)获得内容流,以及将输出文件的结果写回磁盘。上个月InfoQ展示了怎样在第一个步骤中,使用InputFormat类来更好地对接收输入文件...

    Hadoop权威指南

    - **Hadoop I/O框架**:提供了一组API和工具,使得开发者可以方便地处理Hadoop中的数据输入和输出操作。 - **MapReduce应用程序开发**:主要包括编写Mapper和Reducer类,以及设置作业参数等步骤。开发者需要关注数据...

    hadoop-bin-3.1.0(含winutils)编译文件

    对于开发者来说,理解Hadoop的基本原理和编程模型非常重要,包括MapReduce的map和reduce阶段、InputFormat和OutputFormat接口、RecordReader和RecordWriter的概念,以及如何编写自定义分区器和Combiner。此外,学习...

    MapReduce计算模型详讲(结合源码深入解读)

    MapReduce计算模型详讲(结合源码深入解读) MapReduce是Hadoop中的一种编程模型,用于处理大规模数据...它通过InputFormat、InputSplit、RecordReader和Map/Reduce阶段来处理输入数据,并将输出结果进行聚合和处理。

Global site tag (gtag.js) - Google Analytics