3

我是 Hadoop 新手，但这是我上个月的一个学习项目。

为了保持这个足够模糊以对其他人有用，让我首先抛出基本目标......假设：

  1. 您有一个庞大的数据集（显然），包含数百万个基本 ASCII 文本文件。
    • 每个文件都是一个“记录”。
  2. 记录存储在目录结构中以识别客户和日期
    • 例如 /user/hduser/data/customer1/YYYY-MM-DD, /user/hduser/data/customer2/YYYY-MM-DD
  3. 您想模仿输出结构的输入结构
    • 例如 /user/hduser/out/customer1/YYYY-MM-DD、/user/hduser/out/customer2/YYYY-MM-DD

我查看了多个线程：

还有更多……我也一直在阅读 Tom White 的 Hadoop 书籍。我一直在热切地尝试学习这一点。而且我经常在新 API 和旧 API 之间进行交换，这增加了尝试学习这一点的困惑。

许多人指出MultipleOutputs（或旧的 api 版本），但我似乎无法产生我想要的输出 - 例如，MultipleOutputs 似乎不接受“/”来在 write() 中创建目录结构

需要采取哪些步骤来创建具有所需输出结构的文件？目前我有一个WholeFileInputFormat类，以及具有 (NullWritable K, ByteWritable V) 对的相关 RecordReader （如果需要可以更改）

我的地图设置：

public class MapClass extends Mapper<NullWritable, BytesWritable, Text, BytesWritable> {
    private Text filenameKey;
    private MultipleOutputs<NullWritable, Text> mos;

    @Override
    protected void setup(Context context) throws IOException, InterruptedException {
        InputSplit split = context.getInputSplit();
        Path path = ((FileSplit) split).getPath();
        filenameKey = new Text(path.toString().substring(38)); // bad hackjob, until i figure out a better way.. removes hdfs://master:port/user/hduser/path/
        mos = new MultipleOutputs(context);
    }
}

还有一个调用mos.close()的cleanup()函数，而map()函数目前是未知的（我在这里需要帮助）

这些信息足以让新手找到答案吗？我接下来的想法是在每个 map() 任务中创建一个 MultipleOutputs() 对象，每个对象都有一个新的 baseoutput 字符串，但我不确定它是否有效，甚至是否正确。

建议将不胜感激，此时程序中的任何内容都可以改变，除了输入——我只是想学习框架——但我想尽可能接近这个结果（稍后我可能会看看将记录合并到更大的文件，但它们已经是每条记录 20MB，我想在我无法在记事本中阅读之前确保它可以正常工作

编辑：这个问题可以通过修改/扩展 TextOutputFormat.class 来解决吗？似乎它可能有一些可以工作的方法，但我不确定我需要覆盖哪些方法......

4

1 回答 1

5

如果您关闭推测执行，则没有什么可以阻止您在映射器中手动创建输出文件夹结构/文件，并将记录写入它们（忽略输出上下文/收集器）

例如，扩展片段（设置方法），你可以做这样的事情（这基本上是多个输出正在做的事情，但假设关闭推测执行以避免两个映射任务试图写入相同的文件冲突输出文件）：

import java.io.IOException;

import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.InputSplit;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.RecordWriter;
import org.apache.hadoop.mapreduce.TaskAttemptContext;
import org.apache.hadoop.mapreduce.lib.input.FileSplit;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;

public class MultiOutputsMapper extends
        Mapper<LongWritable, Text, NullWritable, NullWritable> {
    protected String filenameKey;
    private RecordWriter<Text, Text> writer;
    private Text outputValue;
    private Text outputKey;

    @Override
    protected void map(LongWritable key, Text value, Context context)
            throws IOException, InterruptedException {
        // operate on the input record
        // ...

        // write to output file using writer rather than context
        writer.write(outputKey, outputValue);
    }

    @Override
    protected void setup(Context context) throws IOException,
            InterruptedException {
        InputSplit split = context.getInputSplit();
        Path path = ((FileSplit) split).getPath();

        // extract parent folder and filename
        filenameKey = path.getParent().getName() + "/" + path.getName();

        // base output folder
        final Path baseOutputPath = FileOutputFormat.getOutputPath(context);
        // output file name
        final Path outputFilePath = new Path(baseOutputPath, filenameKey);

        // We need to override the getDefaultWorkFile path to stop the file being created in the _temporary/taskid folder
        TextOutputFormat<Text, Text> tof = new TextOutputFormat<Text, Text>() {
            @Override
            public Path getDefaultWorkFile(TaskAttemptContext context,
                    String extension) throws IOException {
                return outputFilePath;
            }
        };

        // create a record writer that will write to the desired output subfolder
        writer = tof.getRecordWriter(context);
    }

    @Override
    protected void cleanup(Context context) throws IOException,
            InterruptedException {
        writer.close(context);
    }
}

需要考虑的几点：

  • 是文件的customerx/yyyy-MM-dd路径还是文件的文件夹（如果是文件的文件夹，那么您需要相应地修改 - 此实现假设每个日期有一个文件，文件名是 yyyy-MM-dd）
  • 您可能希望查看LazyOutputFormat以防止创建空的输出映射文件
于 2013-07-30T23:30:34.577 回答