hadoop用MultipleInputs/MultiInputFormat实现一个mapreduce job中读取不同格式的文件

hadoop中提供了 MultiOutputFormat 能将结果数据输出到不同的目录，也提供了 FileInputFormat 来一次读取多个目录的数据，但是默认一个job只能使用 job.setInputFormatClass 设置使用一个inputfomat处理一种格式的数据。如果需要实现 在一个job中同时读取来自不同目录的不同格式文件 的功能，就需要自己实现一个 MultiInputFormat 来读取不同格式的文件了(原来已经提供了MultipleInputs)。


例如：有一个mapreduce job需要同时读取两种格式的数据，一种格式是普通的文本文件，用 LineRecordReader 一行一行读取；另外一种文件是伪XML文件，用自定义的AJoinRecordReader读取。


自己实现了一个简单的 MultiInputFormat 如下：


import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.InputSplit;
import org.apache.hadoop.mapreduce.RecordReader;
import org.apache.hadoop.mapreduce.TaskAttemptContext;
import org.apache.hadoop.mapreduce.lib.input.FileSplit;
import org.apache.hadoop.mapreduce.lib.input.LineRecordReader;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
 
public class MultiInputFormat extends TextInputFormat {
 
    @Override
    public RecordReader<LongWritable, Text> createRecordReader(InputSplit split, TaskAttemptContext context) {
        RecordReader reader = null;
        try {
            String inputfile = ((FileSplit) split).getPath().toString();
            String xmlpath = context.getConfiguration().get("xml_prefix");
            String textpath = context.getConfiguration().get("text_prefix");
 
            if (-1 != inputfile.indexOf(xmlpath)) {
                reader = new AJoinRecordReader();
            } else if (-1 != inputfile.indexOf(textpath)) {
                reader = new LineRecordReader();
            } else {
                reader = new LineRecordReader();
            }
        } catch (IOException e) {
            // do something ...
        }
 
        return reader;
    }
}
其实原理很简单，就是在 createRecordReader 的时候，通过 ((FileSplit) split).getPath().toString() 获取到当前要处理的文件名，然后根据特征匹配，选取对应的 RecordReader 即可。xml_prefix和text_prefix可以在程序启动时通过 -D 传给Configuration。


比如某次执行打印的值如下：


inputfile=hdfs://test042092.sqa.cm4:9000/test/input_xml/common-part-00068
xmlpath_prefix=hdfs://test042092.sqa.cm4:9000/test/input_xml
textpath_prefix=hdfs://test042092.sqa.cm4:9000/test/input_txt
这里只是通过简单的文件路径和标示符匹配来做，也可以采用更复杂的方法，比如文件名、文件后缀等。


接着在map类中，也同样可以根据不同的文件名特征进行不同的处理：


@Override
public void map(LongWritable offset, Text inValue, Context context)
        throws IOException {
 
    String inputfile = ((FileSplit) context.getInputSplit()).getPath()
            .toString();
 
    if (-1 != inputfile.indexOf(textpath)) {
        ......
    } else if (-1 != inputfile.indexOf(xmlpath)) {
        ......
    } else {
        ......
    }
}
这种方式太土了，原来hadoop里面已经提供了 MultipleInputs 来实现对一个目录指定一个inputformat和对应的map处理类。


MultipleInputs.addInputPath(conf, new Path("/foo"), TextInputFormat.class,
   MapClass.class);
MultipleInputs.addInputPath(conf, new Path("/bar"),
   KeyValueTextInputFormat.class, MapClass2.class);
相关文章


2014年6月27日 一个Hadoop程序的优化过程 – 根据文件实际大小实现CombineFileInputFormat
2012年1月9日 hadoop mapreduce和hive中使用SequeceFile+lzo格式数据
2014年3月11日 hadoop集群DataNode起不来：“DiskChecker$DiskErrorException: Invalid volume failure config value: 1”
2013年10月12日 mapreduce job让一个文件只由一个map来处理
2013年9月15日 java.io.IOException: Max block location exceeded for split异常