4

我们有许多需要合并的小文件。在 Scalding 中，您可以使用TextLine以文本行的形式读取文件。问题是我们每个文件有 1 个映射器，但我们想组合多个文件，以便它们由 1 个映射器处理。

我知道我们需要将输入格式更改为 的实现CombineFileInputFormat，这可能涉及使用级联CombinedHfs。我们无法弄清楚如何做到这一点，但应该只需要几行代码来定义我们自己的 Scalding 源，例如CombineTextLine.

非常感谢任何可以提供代码的人。

作为一个附带问题，我们有一些在 s3 中的数据，如果给定的解决方案适用于 s3 文件，那就太好了 - 我想这取决于是否CombineFileInputFormat适用CombinedHfs于 s3。

4

2 回答 2

9

你在你的问题中得到了这个想法，所以这可能是你的解决方案。

创建您自己的输入格式，扩展CombineFileInputFormat并使用您自己的自定义RecordReader。我正在向您展示 Java 代码，但如果您愿意，您可以轻松地将其转换为 scala。

import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapred.FileSplit;
import org.apache.hadoop.mapred.InputSplit;
import org.apache.hadoop.mapred.JobConf;
import org.apache.hadoop.mapred.LineRecordReader;
import org.apache.hadoop.mapred.RecordReader;
import org.apache.hadoop.mapred.Reporter;
import org.apache.hadoop.mapred.lib.CombineFileInputFormat;
import org.apache.hadoop.mapred.lib.CombineFileRecordReader;
import org.apache.hadoop.mapred.lib.CombineFileSplit;

public class CombinedInputFormat<K, V> extends CombineFileInputFormat<K, V> {

    public static class MyKeyValueLineRecordReader implements RecordReader<LongWritable,Text> {
        private final RecordReader<LongWritable,Text> delegate;

        public MyKeyValueLineRecordReader(CombineFileSplit split, Configuration conf, Reporter reporter, Integer idx) throws IOException {
            FileSplit fileSplit = new FileSplit(split.getPath(idx), split.getOffset(idx), split.getLength(idx), split.getLocations());
            delegate = new LineRecordReader(conf, fileSplit);
        }

        @Override
        public boolean next(LongWritable key, Text value) throws IOException {
            return delegate.next(key, value);
        }

        @Override
        public LongWritable createKey() {
            return delegate.createKey();
        }

        @Override
        public Text createValue() {
            return delegate.createValue();
        }

        @Override
        public long getPos() throws IOException {
            return delegate.getPos();
        }

        @Override
        public void close() throws IOException {
            delegate.close();
        }

        @Override
        public float getProgress() throws IOException {
            return delegate.getProgress();
        }
    }

    @Override
    public RecordReader getRecordReader(InputSplit split, JobConf job, Reporter reporter) throws IOException {
        return new CombineFileRecordReader(job, (CombineFileSplit) split, reporter, (Class) MyKeyValueLineRecordReader.class);
    }

}

然后您需要扩展 TextLine 类并使其使用您刚刚定义的自己的输入格式（从现在开始使用 Scala 代码）。

import cascading.scheme.hadoop.TextLine
import cascading.flow.FlowProcess
import org.apache.hadoop.mapred.{OutputCollector, RecordReader, JobConf}
import cascading.tap.Tap
import com.twitter.scalding.{FixedPathSource, TextLineScheme}
import cascading.scheme.Scheme

class CombineFileTextLine extends TextLine{

  override def sourceConfInit(flowProcess: FlowProcess[JobConf], tap: Tap[JobConf, RecordReader[_, _], OutputCollector[_, _]], conf: JobConf) {
    super.sourceConfInit(flowProcess, tap, conf)
    conf.setInputFormat(classOf[CombinedInputFormat[String, String]])
  }
}

为您的组合输入创建一个方案。

trait CombineFileTextLineScheme extends TextLineScheme{

  override def hdfsScheme = new CombineFileTextLine().asInstanceOf[Scheme[JobConf,RecordReader[_,_],OutputCollector[_,_],_,_]]
}

最后，创建你的源类：

case class CombineFileMultipleTextLine(p : String*) extends  FixedPathSource(p :_*) with CombineFileTextLineScheme

如果您想使用单个路径而不是多个路径，则对源类的更改是微不足道的。

我希望这会有所帮助。

于 2014-05-29T14:06:32.733 回答
0

这应该可以解决问题，伙计？- https://wiki.apache.org/hadoop/HowManyMapsAndReduces

于 2014-05-28T20:41:55.287 回答