hadoop---自定义输出文件格式以及输出到不同目录

转自： hadoop编程小技巧（7）---自定义输出文件格式以及输出到不同目录，保存在此以学习。

代码测试环境：Hadoop2.4

应用场景：当需要定制输出数据格式时可以采用此技巧，包括定制输出数据的展现形式，输出路径，输出文件名称等。

Hadoop内置的输出文件格式有：

1）FileOutputFormat<K,V>  常用的父类；

2）TextOutputFormat<K,V> 默认输出字符串输出格式；

3）SequenceFileOutputFormat<K,V> 序列化文件输出；

4）MultipleOutputs<K,V> 可以把输出数据输送到不同的目录；

5） NullOutputFormat<K,V> 把输出输出到/dev/null中，即不输出任何数据，这个应用场景是在MR中进行了逻辑处理，同时输出文件已经在MR中进行了输出，而不需要在输出的情况；

6）LazyOutputFormat<K,V> 只有在调用write方法是才会产生文件，这样的话，如果没有调用write就不会产生空文件；

步骤：

类似输入数据格式，自定义输出数据格式同样可以参考下面的步骤

1） 定义一个继承自OutputFormat的类，不过一般继承FileOutputFormat即可；

2）实现其getRecordWriter方法，返回一个RecordWriter类型；

3）自定义一个继承RecordWriter的类，定义其write方法，针对每个<key,Value>写入文件数据；

实例1（修改文件默认的输出文件名以及默认的key和value的分隔符）：

输入数据：

自定义CustomFileOutputFormat(把默认文件名前缀替换掉):

package fz.outputformat;

import java.io.IOException;

import org.apache.hadoop.fs.FSDataOutputStream;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.RecordWriter;
import org.apache.hadoop.mapreduce.TaskAttemptContext;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

public class CustomOutputFormat extends FileOutputFormat<LongWritable, Text> {

  private String prefix = "custom_";
  @Override
  public RecordWriter<LongWritable, Text> getRecordWriter(TaskAttemptContext job)
      throws IOException, InterruptedException {
    // 新建一个可写入的文件
    Path outputDir = FileOutputFormat.getOutputPath(job);
//		System.out.println("outputDir.getName():"+outputDir.getName()+",otuputDir.toString():"+outputDir.toString());
    String subfix = job.getTaskAttemptID().getTaskID().toString();
    Path path = new Path(outputDir.toString()+"/"+prefix+subfix.substring(subfix.length()-5, subfix.length()));
    FSDataOutputStream fileOut = path.getFileSystem(job.getConfiguration()).create(path);
    return new CustomRecordWriter(fileOut);
  }

}

自定义CustomWriter（指定key，value分隔符）：

package fz.outputformat;

import java.io.IOException;
import java.io.PrintWriter;

import org.apache.hadoop.fs.FSDataOutputStream;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.RecordWriter;
import org.apache.hadoop.mapreduce.TaskAttemptContext;

public class CustomRecordWriter extends RecordWriter<LongWritable, Text> {

  private PrintWriter out;
  private String separator =",";
  public CustomRecordWriter(FSDataOutputStream fileOut) {
    out = new PrintWriter(fileOut);
  }

  @Override
  public void write(LongWritable key, Text value) throws IOException,
      InterruptedException {
    out.println(key.get()+separator+value.toString());
  }

  @Override
  public void close(TaskAttemptContext context) throws IOException,
      InterruptedException {
    out.close();
  }

}

调用主类：

package fz.outputformat;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;


public class FileOutputFormatDriver extends Configured implements Tool{

  /**
   * @param args
   * @throws Exception 
   */
  public static void main(String[] args) throws Exception {
    // TODO Auto-generated method stub
    ToolRunner.run(new Configuration(), new FileOutputFormatDriver(),args);
  }

  @Override
  public int run(String[] arg0) throws Exception {
    if(arg0.length!=3){
      System.err.println("Usage:\nfz.outputformat.FileOutputFormatDriver <in> <out> <numReducer>");
      return -1;
    }
    Configuration conf = getConf();
    
    Path in = new Path(arg0[0]);
    Path out= new Path(arg0[1]);
    boolean delete=out.getFileSystem(conf).delete(out, true);
    System.out.println("deleted "+out+"?"+delete);
    Job job = Job.getInstance(conf,"fileouttputformat test job");
    job.setJarByClass(getClass());
    
    job.setInputFormatClass(TextInputFormat.class);
    job.setOutputFormatClass(CustomOutputFormat.class);
    
    job.setMapperClass(Mapper.class);
    job.setMapOutputKeyClass(LongWritable.class);
    job.setMapOutputValueClass(Text.class);
    job.setOutputKeyClass(LongWritable.class);
    job.setOutputValueClass(Text.class);
    job.setNumReduceTasks(Integer.parseInt(arg0[2]));
    job.setReducerClass(Reducer.class);
    FileInputFormat.setInputPaths(job, in);
    FileOutputFormat.setOutputPath(job, out);
    
    return job.waitForCompletion(true)?0:-1;
  }

}

查看输出：

从输出结果可以看到输出格式以及文件名确实按照预想输出了。

实例2（根据key和value值输出数据到不同目录）：自定义主类（主类其实就是修改了输出的方式而已）：

package fz.multipleoutputformat;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.MultipleOutputs;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;


public class FileOutputFormatDriver extends Configured implements Tool{

  /**
   * @param args
   * @throws Exception 
   */
  public static void main(String[] args) throws Exception {
    // TODO Auto-generated method stub
    ToolRunner.run(new Configuration(), new FileOutputFormatDriver(),args);
  }

  @Override
  public int run(String[] arg0) throws Exception {
    if(arg0.length!=3){
      System.err.println("Usage:\nfz.multipleoutputformat.FileOutputFormatDriver <in> <out> <numReducer>");
      return -1;
    }
    Configuration conf = getConf();
    
    Path in = new Path(arg0[0]);
    Path out= new Path(arg0[1]);
    boolean delete=out.getFileSystem(conf).delete(out, true);
    System.out.println("deleted "+out+"?"+delete);
    Job job = Job.getInstance(conf,"fileouttputformat test job");
    job.setJarByClass(getClass());
    
    job.setInputFormatClass(TextInputFormat.class);
//		job.setOutputFormatClass(CustomOutputFormat.class);
    MultipleOutputs.addNamedOutput(job, "ignore", TextOutputFormat.class,
        LongWritable.class, Text.class);
    MultipleOutputs.addNamedOutput(job, "other", TextOutputFormat.class,
        LongWritable.class, Text.class);

    job.setMapperClass(Mapper.class);
    job.setMapOutputKeyClass(LongWritable.class);
    job.setMapOutputValueClass(Text.class);
    job.setOutputKeyClass(LongWritable.class);
    job.setOutputValueClass(Text.class);
    job.setNumReduceTasks(Integer.parseInt(arg0[2]));
    job.setReducerClass(MultipleReducer.class);
    FileInputFormat.setInputPaths(job, in);
    FileOutputFormat.setOutputPath(job, out);
    
    return job.waitForCompletion(true)?0:-1;
  }

}

自定义reducer（因为要根据key和value的值输出数据到不同目录，所以需要自定义逻辑）

package fz.multipleoutputformat;

import java.io.IOException;

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.output.MultipleOutputs;

public class MultipleReducer extends
    Reducer<LongWritable, Text, LongWritable, Text> {
  private MultipleOutputs<LongWritable,Text> out;
  @Override
  public void setup(Context cxt){
    out = new MultipleOutputs<LongWritable,Text>(cxt);
  }
  @Override
  public void reduce(LongWritable key ,Iterable<Text> value,Context cxt)throws IOException,InterruptedException{
    for(Text v:value){
      if(v.toString().startsWith("ignore")){
//				System.out.println("ignore--------------------value:"+v);
        out.write("ignore", key, v, "ign");
      }else{
//				System.out.println("other---------------------value:"+v);
        out.write("other", key, v, "oth");
      }
    }
  }
  
  @Override
  public void cleanup(Context cxt)throws IOException,InterruptedException{
    out.close();
  }
}

查看输出：

可以看到输出的数据确实根据value的不同值被写入了不同的文件目录中，但是这里同样可以看到有默认的文件生成，同时注意到这个文件的大小是0，这个暂时还没解决。

总结：自定义输出格式，可以定制一些特殊需求，不过一般使用Hadoop内置的输出格式即可，这点来说其应用意义不是很大。不过使用Hadoop内置的MultipleOutputs可以根据数据的不同特性输出到不同的目录，还是很有实际意义的。