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

问题导读：
1、hadoop对原始输入文件的处理机制是什么 ？

2、如何自定义一个InputFormat ？



前言
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;
     }
}
复制代码

   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;
复制代码

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]) 
复制代码

接上面的代码

 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;
复制代码

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。

谢谢分享~~~