`
bo_hai
  • 浏览: 564554 次
  • 性别: Icon_minigender_1
  • 来自: 武汉
社区版块
存档分类
最新评论

Hadoop 自定义数据类型实例

 
阅读更多

一、来自 hadoop in action 上的实例,我在这里做了一个总结。文件内容如下:

17:16:20	http://blackproof.iteye.com/blog/1806263
17:16:21	http://blackproof.iteye.com/blog/1806264
17:16:56	http://blackproof.iteye.com/blog/1806265
17:16:30	http://blackproof.iteye.com/blog/1806266
17:16:45	http://blackproof.iteye.com/blog/1806267
17:16:23	http://blackproof.iteye.com/blog/1806268

 需求是:把后面的URLString 封装成 URL类型。代码如下:

 

import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
import java.net.MalformedURLException;
import java.net.URL;

import org.apache.hadoop.io.Writable;

public class URLWritable implements Writable {

	protected URL url;
	
	public URLWritable() {
		
	}
	
	public URLWritable(URL url) {
		this.url = url;
	}

	@Override
	public void write(DataOutput out) throws IOException {
		out.writeUTF(url.toString());
	}

	@Override
	public void readFields(DataInput in) throws IOException {
		this.url = new URL(in.readUTF());
	}
	
	public void set(String string) {
		try {
			this.url = new URL(string);
		} catch (MalformedURLException e) {
			throw new RuntimeException("Should not have happened " + e.toString());
		}
	}
}

 

import java.io.IOException;

import org.apache.commons.lang.StringUtils;
import org.apache.hadoop.conf.Configuration;
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.LineRecordReader;



public class TimeUrlLineRecordReader extends RecordReader<Text, URLWritable> {
	public static final String Time_URL_SEPERATOR = 
	    "mapreduce.input.keyvaluelinerecordreader.key.value.separator";
	
	private final LineRecordReader lineRecordReader;
	
	private byte separator = (byte) '\t';
	
	private Text innerValue;
	  
	private Text key;
	  
	private URLWritable value;
	
	public static int findSeparator(byte[] utf, int start, int length, byte sep) {
		for (int i = start; i < (start + length); i++) {
			if (utf[i] == sep) {
				return i;
			}
		}
		return -1;
	}
	
	public static void setKeyValue(Text key, URLWritable value, byte[] line,
			int lineLen, int pos) {
		if (pos == -1) {
			key.set(line, 0, lineLen);
			value.set(StringUtils.EMPTY);
		} else {
			key.set(line, 0, pos);
			String url = null;
			System.arraycopy(line, pos + 1,url , 0, lineLen - pos - 1);
			value.set(url);
		}
	}

	public TimeUrlLineRecordReader(Configuration conf) throws IOException {
		lineRecordReader = new LineRecordReader();
		String sepStr = conf.get(Time_URL_SEPERATOR, "\t");
	    this.separator = (byte) sepStr.charAt(0);
	}
	
	@Override
	public void initialize(InputSplit split, TaskAttemptContext context)
			throws IOException, InterruptedException {
		 lineRecordReader.initialize(split, context);
	}

	@Override
	public boolean nextKeyValue() throws IOException, InterruptedException {
		byte[] line = null;
		int lineLen = -1;
		if (lineRecordReader.nextKeyValue()) {
			innerValue = lineRecordReader.getCurrentValue();
			line = innerValue.getBytes();
			lineLen = innerValue.getLength();
		} else {
			return false;
		}
		if (line == null) {
			return false;
		}
		if (key == null) {
			key = new Text();
		}
		if (value == null) {
			value = new URLWritable();
		}
		int pos = findSeparator(line, 0, lineLen, this.separator);
		setKeyValue(key, value, line, lineLen, pos);
	    return true;
	}

	@Override
	public Text getCurrentKey() throws IOException, InterruptedException {
		return key;
	}

	@Override
	public URLWritable getCurrentValue() throws IOException,
			InterruptedException {
		return value;
	}

	@Override
	public float getProgress() throws IOException, InterruptedException {
		return lineRecordReader.getProgress();
	}

	@Override
	public void close() throws IOException {
		lineRecordReader.close();
	}
}

 

import java.io.IOException;

import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.compress.CompressionCodec;
import org.apache.hadoop.io.compress.CompressionCodecFactory;
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;

public class TimeUrlTextInputFormat extends FileInputFormat<Text, URLWritable>{

	@Override
	protected boolean isSplitable(JobContext context, Path file) {
		final CompressionCodec codec = new CompressionCodecFactory(
				context.getConfiguration()).getCodec(file);
		return codec == null;
	}

	@Override
	public RecordReader<Text, URLWritable> createRecordReader(InputSplit split,
			TaskAttemptContext context) throws IOException, InterruptedException {
		context.setStatus(split.toString());
		return new TimeUrlLineRecordReader(context.getConfiguration());
	}
}

 

import java.io.IOException;

import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;

public class CustomTimeUrl extends Configured implements Tool {

	public static class CustomTimeUrlMapper extends Mapper<Text, URLWritable, Text, URLWritable> {

		@Override
		protected void map(Text key, URLWritable value, Context context)
				throws IOException, InterruptedException {
			context.write(key, value);
		}
		
	}
	
	public static class CustomTimeUrlReducer extends Reducer<Text, URLWritable, Text, URLWritable> {

		@Override
		protected void reduce(Text key, Iterable<URLWritable> values,Context context)throws IOException, InterruptedException {
			for (URLWritable value : values) {
				context.write(key, value);
			}
		}
		
	}
	
	@Override
	public int run(String[] args) throws Exception {
		Job job = new Job(getConf());
		job.setJarByClass(getClass());
		job.setJobName("CustomTimeUrl");
		
		job.setInputFormatClass(TimeUrlTextInputFormat.class);
		job.setOutputFormatClass(TextOutputFormat.class);
		
		
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(URLWritable.class);
		
		job.setMapperClass(CustomTimeUrlMapper.class);
		job.setReducerClass(CustomTimeUrlReducer.class);
		
		FileInputFormat.setInputPaths(job, new Path("/timeurl/input/"));
		FileOutputFormat.setOutputPath(job, new Path("/timeurl/output"));
		
		boolean success = job.waitForCompletion(true);
		return success ? 0 : 1;
	}
	
	public static void main(String[] args) throws Exception {
		int result = ToolRunner.run(new TimeUrl(), args);
		System.exit(result);
	}

}

 

分享到:
评论
1 楼 shankses 2015-01-13  
你好,这是个不错的方法,但是inputfile还是根据大小取的,能不能根据行数取,比如每10000行数据作为一个inputfile,希望回复,谢谢

相关推荐

    基于hadoop的数据分析系统.zip

    DAPlant可能是本文压缩包中的一个数据分析项目实例,它可能包含了实现上述功能的源代码和文档,帮助读者更好地理解和实践基于Hadoop的数据分析系统。通过研究这个项目,我们可以学习到如何在实际环境中应用Hadoop...

    Hadoop大数据实训,求最高温度最低温度实验报告

    通过这个实验,学生将深入理解Hadoop MapReduce的工作原理,掌握如何处理自定义数据类型,使用Combiner优化性能,以及如何通过Eclipse提交和管理MapReduce任务。这些都是大数据处理和分布式计算中的核心技能,对于...

    Hadoop权威指南 第二版(中文版)

     1.5.1 数据类型  1.5.2 操作和函数  1.6 表  1.6.1 托管表(Managed Tables)和外部表(External Tables)  1.6.2 分区(Partitions)和桶(Buckets)  1.6.3 存储格式  1.6.4 导入数据  1.6.5 表的修改  1.6.6 表...

    【Hadoop篇09】Hadoop序列化1

    ong(this.upFlow); out.writeLong(this.downFlow); out.writeLong(this.sumFlow);...在统计手机号码的流量数据案例中,`FlowBean`就是这样一个关键的自定义数据类型,使得我们可以高效地处理和分析用户流量信息。

    实战hadoop源代码

    在《实战Hadoop》的源代码中,你可以找到关于Hadoop配置、集群搭建、数据输入输出、MapReduce编程模型等多方面的实例。例如,可能会包含以下内容: 1. **Hadoop环境搭建**:源代码可能包含如何在本地或虚拟机上安装...

    Hadoop权威指南(中文版)2015上传.rar

    1.5.1 数据类型 1.5.2 操作和函数 1.6 表 1.6.1 托管表(Managed Tables)和外部表(External Tables) 1.6.2 分区(Partitions)和桶(Buckets) 1.6.3 存储格式 1.6.4 导入数据 1.6.5 表的修改 1.6.6 表的丢弃 1.7...

    Hadoop入门手册

    7. **数据输入与输出**:理解Hadoop如何处理不同类型的数据源,如文本文件、CSV、JSON等,并学习使用InputFormat和OutputFormat自定义数据格式。 8. **Hadoop应用实例**:通过具体的案例,如网页日志分析、推荐系统...

    hadoop中文文档

    用户可以通过自定义InputFormat和OutputFormat来处理特定类型的数据。 8. **故障恢复与容错机制**:Hadoop具有内置的故障检测和恢复机制,如心跳检测、数据块的冗余复制等,以确保系统的稳定运行。如果DataNode或...

    Hadoop源代码分析(三)

    总结来说,Hadoop的序列化机制主要基于`Writable`接口,通过自定义的序列化和反序列化方法实现数据的转换。`ObjectWritable`作为通用的载体,适应了RPC通信中不同类型的对象传输。`WritableFactories`则是保证`...

    《Hadoop权威指南》示例代码

    这本书的示例代码是理解和学习Hadoop的重要资源,它提供了实践操作的实例,帮助读者掌握Hadoop的使用和开发技巧。 在Hadoop中,主要涉及以下几个关键知识点: 1. **Hadoop分布式文件系统(HDFS)**:HDFS是Hadoop的...

    教你如何查看API及使用hadoop新api编程

    - **新API**:支持更广泛的数据类型,包括自定义类型。 #### 三、实例分析:使用Hadoop旧API统计文件行数 以下是一个使用Hadoop旧API统计文件行数的例子: ```java package bookCount; import java.io....

    Hadoop MapReduce Cookbook 源码

    3. **数据输入与输出**:探讨InputFormat和OutputFormat接口,理解如何自定义输入输出格式以适应不同类型的数据源。 4. **错误处理与容错机制**:讲解Hadoop的检查点、重试和故障恢复策略,以确保任务的可靠性。 5...

    Hadoop 2.x

    5. **Block Size调整**:Hadoop 2.x允许用户自定义Block大小,以适应不同规模的数据处理需求。 总之,Hadoop 2.x是一个强大且灵活的大数据处理平台,它的改进使得在处理大规模数据时更为高效,同时也为各种大数据...

    Hadoop权威指南 第3版.pdf

    例如,结合AI和机器学习技术来处理更加复杂的数据类型和应用场景,以及与云计算平台的深度融合等。 通过上述对《Hadoop权威指南》第三版的深入解析,我们可以看到Hadoop作为一个成熟的大数据处理平台,在数据存储、...

    hadoop系列教程10

    Hadoop是一个开源的分布式计算框架,它能够有效地处理和分析大数据。Hadoop系列教程详细讲解了Hadoop的安装和实例应用,...通过Hadoop教程的学习,用户可以掌握如何处理大规模数据集,并从大规模数据集中获得洞察力。

    大数据Hadoop核心之MapReduce详解

    * Reducer的输入数据类型对应Mapper的输出数据类型,也是KV。 * Reducer的业务逻辑写在reduce()方法中。 * Reducetask进程对每一组相同k的,v&gt;组调用一次reduce()方法。 3. Driver阶段: * 整个程序需要一个...

    Hadoop权威指南---中文版

    - **实例**:提供了几个使用Pig处理数据的实例。 - **与数据库比较**:讨论了Pig与传统数据库管理系统之间的异同。 - **PigLatin**:讲解了PigLatin脚本语言的特点和用法。 - **用户定义函数**:介绍了如何在Pig中...

    hadoop in action

    - **自定义类型**:如何创建和使用自定义数据类型来更好地处理特定的数据。 - **Combiner类**:一种特殊的Reducer,可以在Map端进行局部聚合,减少网络传输开销。 #### 知识点六:Hadoop编程实践 - **最佳实践**:...

    云计算分布式大数据Hadoop实战之路--从零开始(第1-10讲)

    6. **Hadoop数据输入与输出**:学习如何使用Hadoop的InputFormat和OutputFormat接口自定义数据格式,以及如何处理各种类型的数据源,如文本、CSV或自定义二进制格式。 7. **Hadoop实战案例**:通过实际案例,比如...

Global site tag (gtag.js) - Google Analytics