背景:
根据业务输出有规则的业务数据,比如都在/abc/a/下他们根据业务不同,其文件名称也不同
/abc/a/good-001
/abc/a/bad-001
那么下个job可以基于文件名做相应的业务操作
hadoop版本信息:
[ ~]$ hadoop version Hadoop 0.20.2-cdh3u4 Subversion git://ubuntu-slave01/var/lib/jenkins/workspace/CDH3u4-Full-RC/build/cdh3/hadoop20/0.20.2-cdh3u4/source -r 214dd731e3bdb687cb55988d3f47dd9e248c5690 Compiled by jenkins on Mon May 7 13:01:39 PDT 2012 From source with checksum a60c9795e41a3248b212344fb131c12c
实现方式:
1.基于MultipleOutputs
实现代码:
mapper:访问hbase某个表然后利用MultipleOutputs写
import java.io.IOException; import java.util.Arrays; import java.util.HashMap; import java.util.HashSet; import java.util.Iterator; import java.util.List; import java.util.Map; import java.util.Set; import org.apache.commons.lang.StringUtils; import org.apache.commons.lang.math.RandomUtils; import org.apache.commons.logging.Log; import org.apache.commons.logging.LogFactory; import org.apache.hadoop.hbase.KeyValue; import org.apache.hadoop.hbase.client.Result; import org.apache.hadoop.hbase.io.ImmutableBytesWritable; import org.apache.hadoop.hbase.mapreduce.TableMapper; import org.apache.hadoop.hbase.mapreduce.TableSplit; import org.apache.hadoop.hbase.util.Bytes; import org.apache.hadoop.io.NullWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.lib.output.MultipleOutputs; import com.alibaba.fastjson.JSONObject; public class CommentMapper extends TableMapper<NullWritable, Text> { private static final Log LOGGER = LogFactory.getLog(CommentMapper.class); private static Set<String> set = new HashSet<String>(); private org.apache.hadoop.mapreduce.lib.output.MultipleOutputs<NullWritable, Text> mos; @Override public void setup(Context context) { mos = new MultipleOutputs<NullWritable, Text>(context); } @Override protected void cleanup(Context context) throws IOException, InterruptedException { mos.close(); super.cleanup(context); } @Override protected final void map(ImmutableBytesWritable key, Result value, Context context) throws IOException, InterruptedException { try { List<KeyValue> list = value.list(); Iterator<KeyValue> iterator = list.iterator(); Map<String, Object> map = new HashMap<String, Object>(); while (iterator.hasNext()) { KeyValue keyValue = iterator.next(); byte[] bytes = value.getValue(keyValue.getFamily(), keyValue.getQualifier()); String keyId = StringUtils.lowerCase(Bytes.toString(keyValue.getFamily())) + StringUtils.capitalize(StringUtils.lowerCase(Bytes.toString(keyValue .getQualifier()))); if (set.contains(keyId)) { continue; } if ("eS".equals(keyId)) { map.put(keyId, Float.toString(Bytes.toFloat(bytes))); } else { map.put(keyId, Bytes.toString(bytes)); } } JSONObject json = new JSONObject(map); mos.write(RandomUtils.nextBoolean() + "", NullWritable.get(), new Text(json.toJSONString())); LOGGER.info("working dir:" + context.getWorkingDirectory().getName()); LOGGER.info("getInputSplit:" + Arrays.toString(context.getInputSplit().getLocations())); } catch (Throwable e) { LOGGER.error("Error occurs when running CommentMapper", e); throw new RunTimeException("Error occurs when running CommentMapper", e); } } }
Job执行:
private static void runJob() { String inputTableName = "RECMD_JD_COMMENT"; Configuration conf = HBaseConfiguration.create(); conf.set("hbase.master", XXX); conf.set("hbase.zookeeper.quorum", XXX); conf.set("hbase.cluster.distributed", "true"); conf.set("mapreduce.job.counters.limit", "100000"); conf.set("mapreduce.job.counters.max", "100000"); String outPathStr = "/user/search/test/CommentText"; conf.setBoolean(DFSConfigKeys.DFS_CLIENT_READ_SHORTCIRCUIT_KEY, true); conf.set("mapreduce.output.basename", "val"); try { HadoopUtil.delete(conf, new Path(outPathStr)); Scan scan = new Scan(); scan.setCacheBlocks(false); scan.setCaching(200); Job job = new Job(conf, "CommentDDTask"); job.setJarByClass(DDTask.class); TableMapReduceUtil.initTableMapperJob(inputTableName, scan, CommentMapper.class, NullWritable.class, Text.class, job); TextOutputFormat.setOutputPath(job, new Path(outPathStr)); MultipleOutputs.addNamedOutput(job, "true", TextOutputFormat.class, NullWritable.class, Text.class); MultipleOutputs.addNamedOutput(job, "false", TextOutputFormat.class, NullWritable.class, Text.class); job.setNumReduceTasks(0); job.waitForCompletion(true); } catch (Throwable e) { throw new RuntimeException("Run DDTask error! ", e); } finally { HConnectionManager.deleteConnection(conf, true); } }
小技巧:
可以通过mapreduce.output.basename来控制写文件生成的名称
相关推荐
Hadoop MultipleOutputs输出到多个文件中的实现方法 Hadoop MultipleOutputs是Hadoop MapReduce框架中的一种输出机制,可以将输出写入到多个文件中。下面将详细介绍Hadoop MultipleOutputs输出到多个文件中的实现...
此外,还会探讨高级话题,如Combiner、MultipleOutputs和新版本的MapReduce API(YARN和Mesos上的运行机制)。 除了Hadoop核心,书中还涵盖了Hadoop生态中的其他重要组件,如HBase(一个分布式的、支持列族的NoSQL...
`MultipleOutputs`是Hadoop提供的一个工具类,它允许我们在Reducer中创建多个输出流,并分别指定它们的名称和路径。这使得我们可以在处理数据时,根据业务需求灵活地组织输出结果。 使用`MultipleOutputs`的基本...
### Hadoop中的数据库访问 #### DBInputFormat简介 DBInputFormat是Hadoop自0.19.0版本开始引入的一种特殊输入格式,它允许Hadoop应用程序通过标准的JDBC接口直接与现有数据库系统进行交互。这为那些需要处理结构...
这可以通过Apache Hadoop的MultipleOutputs类实现,它允许数据流到多个输出路径,满足了这一需求。在Hadoop环境中,数据通常以分布式文件系统(如HDFS)的形式存储,并通过MapReduce进行处理。 项目开发中,Maven是...
该套源码是个人学习Hadoop HDFS和MapReduce技术的实践案例集合,采用Java语言编写,包含45个文件,涵盖34个Java源文件、4个XML配置文件、3个偏好设置文件以及1个Git忽略文件等。内容涵盖HDFS的JAVA API操作,如文件...
项目中有一个特殊需求,即清洗后的数据需要按照设备类型(iOS、Android和其他)分别输出到不同的文件夹,这可以通过Hadoop的MultipleOutputs功能实现。 Maven作为项目管理工具,在这个项目中也扮演了重要角色。它...
Hadoop MapReduce是大数据处理领域中的一个核心框架,它允许开发者通过编写Map和Reduce函数来处理大规模数据集。在使用MapReduce框架时,经常需要处理输出数据,这时可能会遇到需要将输出分散到多个文件中的需求,这...
- **MultipleInputs/MultipleOutputs**:Hadoop API提供的工具类,用于一个Job处理多个输入源或产生多个输出结果。 3. **参数传递**: - **JobConf**:每个Job都有自己的JobConf对象,可以通过设置conf属性将参数...
- 拓展MapReduce:使用MultipleOutputs、ChainMapper/Reducer等高级特性。 总结来说,“hadoop_program_java”主要涵盖了使用Java编程语言开发Hadoop MapReduce程序的相关知识,包括Hadoop的基本概念、MapReduce...
总之,通过使用Hadoop提供的`MultipleOutputs`工具类,可以在一个Reducer中实现生成多个输出文件的功能,这对于提高数据处理灵活性和效率具有重要意义。开发者需要根据具体的业务需求合理设计数据处理逻辑,同时也要...
2. **MultipleOutputs**:允许多个输出文件,便于处理不同类型的输出。 3. **Mapper/Reducer性能调优**:合理设置内存大小、槽位数量、并行度等参数。 通过以上介绍,你应该对Java MapReduce编程有了基本的认识。...
本章介绍MapReduce的高级特性,如MultipleOutputs、New API、以及MapReduce与HBase、Hive等其他Hadoop组件的集成。同时,可能也会涵盖MapReduce在YARN上的新特性,如动态资源调度和Container重用。 综上所述,...