0

我正在尝试使用以下代码将一段 Hadoop SequenceFile 转换为纯文本：

    Configuration config = new Configuration();
    Path path = new Path( inputPath );
    SequenceFile.Reader reader = new SequenceFile.Reader(FileSystem.get(config), path, config);
    WritableComparable key = (WritableComparable) reader.getKeyClass().newInstance();
    Writable value = (Writable) reader.getValueClass().newInstance();

    File output = new File(outputPath);
    if(!output.exists()) output.createNewFile();

    FileOutputStream fos = new FileOutputStream(output);
    BufferedWriter bw = new BufferedWriter(new OutputStreamWriter(fos, "utf-8"));

    int count = 0;

    try {
        while(reader.next(key,value) && count < 1000)
        {
            bw.write("Key::: " + key);
            bw.newLine();
            bw.write("Value::: " + value);
            bw.newLine();
            bw.newLine();
            count++;
        }
    } catch (Exception e) {
        // TODO Auto-generated catch block
        e.printStackTrace();
    }

    reader.close();
    bw.close();

密钥可以正确转换。但是，这些值将转换为奇怪的 HEX 数字流。一个样本是：

Value::: 1f 8b 08 00 00 00 00 00 00 03 e5 bd f9 7b 13 47 d6 28 fc 73 e6 79 e6 7f e8 28 17 6c 5f bc 68 5f 6c e4 5c 96 64 26 33 c9 24 37 cb bc ef 3b 0c 9f 9f 56 77 cb ee 58 96 34 5a 20 8e e3 3f 46 56 c2 10 30 c4 8b e4 4d 5e b1 6c 4b f2 22 59 b2 65 63 48 08 04 42 12 c2 9e 00 21 cb f3 9d 53 d5 2d b5 64 4b 16 33

真正的流比这要长得多。我所知道的是，键存储为Hadoop Text格式，值存储为Hadoop BytesWritable. 这些值可能是中文的，但我不确定。

有人知道发生了什么吗？

4

1 回答 1

1

您说这些值存储为BytesWritable. 这映射到byte[]Java 中的一个字节数组——这正是正在打印的内容，因为该toString()方法被重载来执行此操作。

您还提到字节可能是中文文本。如果要输出，则需要将字节编码为String. 你应该换行

bw.write("Value::: " + value);

给其他几个人。

byte[] strBytes = ((BytesWritable) value).getBytes();
bw.write("Value::: " + new String(strBytes, Charset.forName("UTF-8")));

这假设中文字符串是使用“UTF-8”编码的，现在可能就是这种情况。如果您不知道确切的编码，您将不得不尝试不同的编码并查看哪些有效。

于 2013-03-14T09:14:28.870 回答