hadoop如何读取压缩包内的文件内容

我想使用Hadoop M/R的DistributedCache类，将一个压缩文件缓存起来。
但是，我想将压缩文件的的文件内容读取，并加载到内存中。

现在做到的只是能够看到解压文件名

附件内容为输出内容

请问下大家有什么方法可以获取到文件内容

下面一个读取tar包的内容，不能直接用，但是可以作为参考，楼主可以自己写一个读取zip包的例子
使用distributedCache的步骤：
1、在conf里正确配置被分发的文件的路径（hdfs上的路径）
2、在自定义的mapper或reducer中获取文件下载到本地后的路径（linux文件系统路径）；一般是重写configure或者重写setup（新方式）
3、在自定义的mapper或reducer类中读取这些文件的内容

更多内容：

在使用mapreduce时，各个map之间需要共享一些信息。如果信息不大，可以保存在conf中。但是需求是在各个map之间共享文件或者tar包

使用distributedCache可以满足这个需求：
distributedCache可以把HDFS上的文件（数据文件、压缩文件等等）分发到各个执行task的节点。执行map或者reduce task的节点就可以在本地，直接用java的IO接口读取这些文件。
有两个需要注意的地方：被分发的文件需要事先存储在hdfs上；这些文件是只读的。

使用distributedCache的步骤：
1、在conf里正确配置被分发的文件的路径（hdfs上的路径）
2、在自定义的mapper或reducer中获取文件下载到本地后的路径（linux文件系统路径）；一般是重写configure或者重写setup（新方式）
3、在自定义的mapper或reducer类中读取这些文件的内容
distributedCache也提供创建符号链接的功能，第2步就不需要获取文件在本地的路径，直接使用约定的符号链接即可。

分发的文件大致分两种类型：文件；压缩包

1、配置被分发的hdfs文件所在路径
可以使用distributedCache类提供的静态接口设置路径 ， 也可以使用conf.set配置
示例：

或者

conf.set("mapred.cache.files", "/myapp/file");

conf.set("mapred.cache. archives", "/mayapp/file.zip");

看distributedCache.java代码可知 静态接口就是封装了conf.set的动作。

配置的位置在run函数里即可，比如：

2、在自己的mapper类中，使用distributedCache的接口获取文件下载到本地后的路径

这里查了些网上的使用示例，大部分例子在mapper类中重写configure接口（或者setup），将本地文件的路径保存在mapper类的成员变量中，供下面的map成员函数使用。

在myMapper类的configure中获取文件的路径：

getLocalCacheFiles返回的是数组（元素类型是Path），数组内容是这个task（map或reduce）所属的job设定的所有需要被分发的文件，这些文件被下载到本地节点后的路径。

所以用了localFiles[0]来取得我的文件的路径，因为只设置了一个文件。如果设置了多个文件，可以遍历Path数组，用String.contains("KeyWord")来判断是否是你所需要的文件。

这里我在configure接口中直接把文件内容读取到myMapper类的一个数组成员里，这样在map接口中就不需要再读，但是这样的前提是文件内容比较少，或者针对map程序有更好的数据结构，比如trie树之类的。否则容易OOM。比较原始的办法就是在map接口中读一行做一次判断或操作。

在myMapper类的configure中获取压缩包的路径

因为使用的是mapreduce二代框架，archive文件有多个（框架默认会加几个tar包和一些jar包），所以这里遍历了一下，取出了我需要的压缩包的路径。这个路径是解压好的。需要listFiles一下，获得解压包下面的文件路径。

3、读取文件内容

这里读的是压缩包解压后的所有文件内容

读一行处理一次

完毕。

distributedCache在mapreduce自身用得也不少

比如task运行之前 加载第三方的jar包到classpath 可以使用addFileToClassPath将配置加到conf中 然后使用与读取压缩包类似方式将jar包加入到classpath

再如streaming和pipe

是将脚本分发到task节点本地，然后在java中执行这个本地的脚本来实现的

并不是是个文件就能读取，它对应的一定的格式，必须安装规则来进行。这里有例子，可以参考：

1.单个文件的压缩或解压

import java.io.FileInputStream;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.OutputStream;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.compress.CompressionCodec;
import org.apache.hadoop.io.compress.CompressionCodecFactory;
import org.apache.hadoop.io.compress.CompressionOutputStream;
import org.apache.hadoop.io.compress.GzipCodec;
import org.apache.hadoop.util.ReflectionUtils;


public class CompressionTest {
//设在本地目录下有一个名为uploadFile的文件，对本地文件进行gzip压缩
        public static void StreamCompresson() throws IOException
        {
                Configuration conf = new Configuration();
                //注意此处得到压缩器的方法，CompressionCodec是一个封装了压缩器的接口.
                //下面的语句根据第一个参数产生相应的压缩器
                CompressionCodec codec = (CompressionCodec) ReflectionUtils.newInstance(GzipCodec.class, conf);
                
                FileOutputStream outFile = new FileOutputStream("uploadFile.gz");        //用于将数据写入该流指向的文件中
                FileInputStream in = new FileInputStream("uploadFile");        //该文件会被写压缩输出流，即被压缩。
                //要压缩的话，如下对一个写入输出流的数据进行压缩
                CompressionOutputStream out = codec.createOutputStream(outFile);
                IOUtils.copyBytes(in, out, 4096, true);
        }
        
        //
        public static void FileDecompressor() throws IOException
        {
                Configuration conf = new Configuration();
                FileSystem local = FileSystem.getLocal(conf);
                Path input = new Path("uploadFile.gz");
                //获取所拥有的所有压缩器——工厂
                CompressionCodecFactory factory = new CompressionCodecFactory(conf);
                //根据后缀得到相应的压缩器
                CompressionCodec codec = factory.getCodec(input);
                //移除文件名的后缀
                String outputUri =CompressionCodecFactory.removeSuffix("uploadFile.gz", codec.getDefaultExtension());

                InputStream in = null;
                OutputStream out = null;
                //从压缩输入流中读取内容放入文件输出流
         in = codec.createInputStream(local.open(input));
                out = local.create(new Path(outputUri));
                IOUtils.copyBytes(in, out, conf, true);
        }
        
        public static void main(String [] args) throws IOException
        {
                StreamCompresson();
                FileDecompressor();
        }
}
复制代码

另外，注意gzip 为压缩命令,gunzip为解压命令，具体使用可以用man查看。

对HDFS上的压缩文件（也包括序列文件），要是用hadoop -text来查看内容。

2.MapReduce上的压缩和解压

对于MapReduce 上的输入文件，TextInputFormat会自动识别是否是压缩文件，并进行解压，所以可以与普通文件进行完全相同的 处理。

对与输出文件，如果要进行压缩，需要对run()函数中的配置变量Configuration conf进行如下设置：

conf.setBoolean("mapred.output.compress", true);                  //启用输出文件压缩

conf.setClass("mapred.output.compression.codec", GzipCodec.class, CompreissionCodec.class);              //选择压缩器

starrycheng 发表于 2015-1-6 17:30
并不是是个文件就能读取，它对应的一定的格式，必须安装规则来进行。这里有例子，可以参考：

1.单个文件 ...

这个我用过，不是符合我要的需求的。不过还是很感谢

Joker 发表于 2015-1-6 17:56
这个我用过，不是符合我要的需求的。不过还是很感谢

如果没有符合的，只能自己重写了

涨姿势了，学习学习！