Hadoop自定义linereader，实现按行分块

最近想用Hadoop实现一个A的转置乘以A的矩阵运算，假设A是100w*100的矩阵，想把100w行特征分成100个map，每个map处理1w行，每个map一次性处理1w行，而不是一行一行处理。
hadoop0.21.0这个版本已经实现了NLineInputFormat这个方法

job.setInputFormatClass(NLineInputFormat.class);
NLineInputFormat.addInputPath(job, in);
NLineInputFormat.setNumLinesPerSplit(job,10000); 

这样可以实现每个map处理10000行的需求，100万行就是100个map，而不是默认的按物理块大小分配map，但是这个接口内部调用map方法的时候，仍是一行一行处理的，map方法会被执行10000次，现在改写linereader，让map方法只执行一次，每次处理10000行。

首先定义myLineInputFormat类，将job的读入方式设成myLineInputFormat。

job.setInputFormatClass(myLineInputFormat.class);
myLineInputFormat.addInputPath(job, in);
myLineInputFormat.setNumLinesPerSplit(job,10000);

myLineInputFormat的源码直接拷贝NLineInputFormat的源码，myLineInputFormat这个类里面的RecordReader返回的LongWritable, Text返回的是每个map方法里的文件偏移量和文本内容，每次读10000行，偏移量就是10000行的偏移量，text自然是10000行的文本内容。
重写myLineInputFormat类里的RecordReader方法：

public RecordReader<LongWritable, Text> createRecordReader(
      InputSplit genericSplit, TaskAttemptContext context) 
      throws IOException {
    context.setStatus(genericSplit.toString());
    return new mylinereader();
  }

定义myLineReader类，先源码拷贝LineRecordReader类，getFilePosition方法就是返回的每次文本的偏移量，每次的偏移量根据LineReader的readLine方法来确定，所以myLineReader的LineReader引用自己的LineReader，把import的类包改一下就成。
定义LineReader类，放在自定义的package里面，源码拷贝原先hadoop里的LineReader类，修改readLine方法：

      if(appendLength > 0)
         appendLength = (appendLength+1) * 10000 ;
      if (appendLength > 0) {
        str.append(buffer, startPosn, appendLength);
        txtLength += appendLength;
      }

第一个if是修改文件的长度，自己添加，第二个if是原来方法里的，如果10000行内容太多，这里append会报数组越界，所以修改LineReader的构造方法，如下，DEFAULT_BUFFER_SIZE是类属性，值也可以自己修改

 public LineReader(InputStream in, Configuration conf) throws IOException {
    //this(in, conf.getInt("io.file.buffer.size", DEFAULT_BUFFER_SIZE));
      this(in, DEFAULT_BUFFER_SIZE);
  }

同时修改readLine方法的返回值，原始是返回一行的偏移量，现在改成返回10000行的偏移量

  return (int)bytesConsumed * 10000 ;