hadoop中文件读写

转自http://www.360doc.com/content/11/0928/12/7809531_151850920.shtml

在本文档中，你将了解到如何用Java接口读写Hadoop分布式系统中的文件，以及编码的转换等问题。其中有些细节，在你不知道的时候，是非常容易出错的。这边读写文件分以下三种情况：

1. 在非Map Reduce过程中读写分布式文件系统中的文件
比如说，你想自己遍历一个文件，想截断一个文件，都属于这种方式。一般该过程发生在run函数中，程序员处理Map Reduce产生的中间文件上。
2. 在map（或reduce）函数中读写一个Record。
对于TextInputFormat，一个Record就是一行。我们会得到一个Text对象，作为一行。要注意的是如果读入的文件不是UTF-8
格式（比如GBK,因为TextInputFormat只能解码UTF-8文件，直接读会产生乱码），我们如何正确转换成Unicode。
3. 在map（或reduce）函数中，读写文件
比如说，在map函数中，你想通过读入文件初始化一个HashMap。

非Map Reduce过程中读文件

主要用到FileSystem类，打开一个文件后得到FSDataInputStream，据说这个FSDataInputStream会对数据缓存，所以没必要包装成一个BufferedReader，但其readLine()方法是被deprecated，所以你要想一行行的读，还是转成BufferedReader吧。在转换的过程中，还能指定输入文件的编码，比如这边是"UTF-8"。该读文件的方式无法在mapreduce方法中调用，因为它们处于一个static类中，无法创建一个JobConf。

JobConf confQ = new JobConf(getConf(), XXXX.class);
FileSystem fs= FileSystem.get(confQ);
FSDataInputStream fin = fs.open(new Path("filePathXX"));
BufferedReader in = null;
String line;
try {
in = new BufferedReader(new InputStreamReader(fin, "UTF-8"));
while ((line = in.readLine()) != null) {
//...
}
} finally {
if (in != null) {
in.close();
}
}

非Map Reduce过程中写文件

该过程和读文件对应，注意在close之前，调用BufferedWriter的flush()方法，不然有数据会没写出。

JobConf confQ = new JobConf(getConf(), XXXX.class);
FileSystem fs= FileSystem.get(confQ);
FSDataOutputStream fout = fs.create(new Path("要写入的文件全路径"));
BufferedWriter out = null;
try {
out = new BufferedWriter(new OutputStreamWriter(fout, "UTF-8"));
out.write("XXXXXX");
out.newLine();
}
out.flush();
} finally {
if (out != null) {
out.close();
}
} 

Map或reduce方法中需要读取一个文件的解决方案
对于很大的文件，目前的方案可能是预先把这个文件部署到每个集群节点上。这边讲两种小文件的处理方法。
方法一：把文件打包到运行的jar包中（可以放在根目录下），然后用以下方式读取(fileName就是在根目录下要读取的文件名):

BufferedReader in = null;
try {
InputStream fstream = Thread.currentThread()
.getContextClassLoader().getResourceAsStream("fileName");
in = new BufferedReader(new InputStreamReader(new DataInputStream(
fstream), "UTF-8"));
String line;
while ((line = in.readLine()) != null) {
//...
}
} finally {
in.close();
}

方法二：在Map或Reduce类中，复写public void configure(JobConf jobIn)方法（在基类MapReduceBase中定义）

public void configure(JobConf jobIn) {
super.configure(jobIn);
try{
FileSystem fs = null;
fs = FileSystem.get(jobIn);
FSDataInputStream in;
BufferedReader bufread;
String strLine;
String[] strList;
IpField ipField;
Path IpCityPath = new Path("/user/hadoop/dw/dim/ip_cityid.txt");
if (!fs.exists(IpCityPath))
throw new IOException("Input file not found");
if (!fs.isFile(IpCityPath))
throw new IOException("Input should be a file");
in = fs.open(IpCityPath);
bufread = new BufferedReader(new InputStreamReader(in));
while ((strLine = bufread.readLine()) != null) {
strList =strLine.split("\"");
if(strList.length < 3)
continue;
IpField nodeIp = new IpField(strList[0], strList[1], strList[2]);
CityIpLocal.add(nodeIp);
}
in.close();
}
catch(IOException e)
{
e.printStackTrace();
}
}

CityIpLocal可以是外部类的一个ArrayList对象

map方法中读GBK文件
主要是编码转换的问题，我曾经在这个问题上调试蛮久的。我们输入的文件是GBK编码的，map中，调用Text.toString并不会把编码自动转换成Unicode，但Java中的字符串都是当Unicode来处理的，我们需要手动转换，方式如下：
Text value;//map传入的参数
String line = new String(value.getBytes(), 0, value.getLength(),"GBK");
这边指定的GBK代表读入文件的编码，line返回的是解码成Unicode后的结果。特别注意的是，这边需要指出value.getBytes()得到的byte数组的起始和长度，（0, value.getLength()）。千万不要这样调用：String line = new String(value.getBytes(),"GBK");这样得到的结果，末尾可能会有多余字串。看来内部是这样实现的：Text对象是被复用的，共用一个byte数组（也可能是char数组）来存东西，下一次只是从头开始覆写这个数组，到后面如果没写到，那么原来的内容还会在。
引用一段镇方的话

如果以TextInputFormat使用文件作为输入，map的输入value为Text类型，text内部实际维护的是一个byte数组，从输入文件中直接以byte的形式读入，不会对byte做转义：输入文件中的字节流直接进入text的byte数组。
Text假设内部编码为utf8，调用Text.toString,Text会把内部byte当作utf8处理，如果读入文件的实际编码为gbk就会产生乱码；此时可以通过 new String(Text.getBytes(), 0, Text.getLength(), "输入文件实际编码")实现正确转义。
以TextOutputFormat作为输出时，reduce过程会强制以utf8编码输出。但是这一步有一个小triky，Text的输出会调用它的Text.getBytes方法，而由于Text内部以byte数组形式存储，实际上可以放任意内容。
注意：1. Hadoop的TextInput/TextOutput很系统编码完全无关，是通过代码硬性写入为UTF8的。
2. Text和String对数据的处理是很不一样的 

Map Reduce输出结果为GBK文件
这个是竹庄给的解决方法http://rdc.taobao.com/blog/dw/archives/244中文问题基本上就是因为TextOutputFormat把输出编码写死成UTF-8了，自己把这个改掉就可以输出GBK了。

保存成Excel能识别的编码（Unicode）
有的需求，需要用Excel来打开最后生成的文件。现在的方式是用Tab分割字段，这样就能在Excel中显示为不同的栏了。困难一些的是保存的编码形式。我研究了下，发现本地的Excel文件是用Unicode编码的，于是在Java程序中注明了Unicode，或者UTF-16，结果还是不行。再看一下，原来需要的是小端的Unicode，而默认UTF-16保存的是大端的，于是改成了UTF-16LE，指定为小端的。结果还是失败，能用记事本正确打开，却不能用Excel打开。后来研究了下，原来还需要指定字节序的（BOM,Byte Order Mark）。最后写了如下代码搞定(这个方法把UTF-8的文件转成了Unicode的)：

private void convertToUnicode(FSDataInputStream convert_in,
FSDataOutputStream convert_out,String head) throws IOException {
BufferedReader in = null;
BufferedWriter out = null;
try {
in = new BufferedReader(new InputStreamReader(convert_in, "UTF-8"));
out = new BufferedWriter(new OutputStreamWriter(convert_out,
"UTF-16LE"));
out.write("\uFEFF");
out.write(head+"\n");
String line;
while ((line = in.readLine()) != null) {
out.write(line);
out.newLine();
}
out.flush();
} finally {
if(in!=null)
in.close();
if(out!=null)
out.close();
}
}

这边还有个值得注意的现象,out.write("\uFEFF");我们可以查得，Unicode小端的BOM应该是FFFE，这边为什么反过来了呢？原因在于Java的字节码顺序是大端的，\uFEFF在内存中表示为FF在前（低地址），FE在后，写出后即为FFFE（用UltraEditor 16进制查看，的确如此）。这边的现象应该和机器的大小端无关的。