virgo 发表于 2014-3-27 16:01:10

hadoop2.2编程:自定义hadoop map/reduce输入文件切割InputFormat

hadoop2.2编程:如何自定义hadoop map/reduce输入文件切割InputFormat?

virgo 发表于 2014-3-27 16:02:06

       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;
}

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 != separator){
      sepPosn = 0;
   }
   
   //遇到行分隔符的第一个字符
   if (buffer == separator) {
      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 != separator){
      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 == LF) {
          newlineLength = (prevCharCR) ? 2 : 1;
          this.bufferPosn ++;
          break;
      }
      if (prevCharCR) {
          newlineLength = 1;
          break;
      }
      prevCharCR = this.buffer == 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。

转载至:http://www.cnblogs.com/lucius/p/3449661.html





xioaxu790 发表于 2014-3-30 15:56:44

敏小小,看不懂啊,怎么办{:soso_e200:}

shl_gao 发表于 2014-3-31 13:35:39

顶顶顶。。。

471505881qq 发表于 2014-3-31 15:33:53

很值得学习!谢谢楼主!

471505881qq 发表于 2014-4-1 11:41:05


谢谢楼主的分享!

471505881qq 发表于 2014-4-1 15:37:01


要留着备用。

ldz0011 发表于 2015-4-24 14:41:17

看不太懂{:soso_e127:}
页: [1]
查看完整版本: hadoop2.2编程:自定义hadoop map/reduce输入文件切割InputFormat