Hadoop 1个输入文件= 1个输出文件，仅映射

Question

我是Hadoop的新手，但这是我上个月的一个学习项目。

为了使这一点足够模糊，以便对其他人有用，让我先抛出基本目标……假设：

< li >显然，您有一个大型数据集，包含数百万个基本ASCII文本文件。 < ul > < li >每个文件都是一个“记录”

• e. g. /user/hduser/data/customer1/YYYY-MM-DD， /user/hduser/data/customer2/YYYY-MM-DD

< li >例如/user/HD user/out/customer 1/YYYY-MM-DD、/user/HD user/out/customer 2/YYYY-MM-DD

我看过多个线程：

< li >多输出路径java hadoop mapreduce < li >新api中的MultipleTextOutputFormat替代项 < li >在Hadoop mapreduce中分离输出文件 < li >推测性任务执行-尝试解决-m-part####问题

还有更多..我也一直在读汤姆·怀特的Hadoop书。我一直急切地想学这个。我经常在新API和旧API之间切换，这增加了学习的困惑。

许多人都指出了多个输出（或旧的API版本），但我似乎无法产生我想要的输出 - 例如，多个输出似乎不接受“/”来创建indic（） 中的目录结构

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，以及相关的RecordReader，它具有（NullWritable K，ByteWritable V）对（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cleanup（）函数调用mos。close（），而map（）函数目前是未知函数（这里我需要帮助）

这些信息足够给新手指出答案的方向了吗？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，但是我不确定这样做是否有效，或者是否是正确的操作。

建议将不胜感激，程序中的任何东西都可以在这一点上改变，除了输入——我只是在尝试学习框架——但我希望尽可能接近这个结果（稍后我可能会考虑将记录合并为更大的文件，但每个记录已经是20MB，我希望在我无法在记事本中阅读之前确保它工作正常

编辑：这个问题可以通过修改/扩展文本输出html" target="_blank">格式.class来解决吗？似乎它可能有一些可行的方法，但我不确定我需要覆盖哪些方法......

Answer 1

如果关闭推理执行，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，扩展代码段（setup 方法），您可以执行如下操作（这基本上是多个输出正在执行的操作，但假设推理执行已关闭以避免两个映射任务尝试写入同一输出文件时的文件冲突）：

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:

• 客户x/yyyy-MM-dd路径文件还是文件文件夹（如果文件夹为文件，那么您需要相应地修改 - 此实现假设每个日期有一个文件，文件名为yyyy-MM-dd）
• 您可能希望查看惰性输出格式，以防止创建空的输出映射文件