hadoop sequenceFile详解

hadoop不仅可以处理文本信息，还可以处理二进制格式数据，sequenceFile就是这样的文件。有以下特点：

1. 可分割
2. 支持压缩
3. 每一行都是一个key value对
4. 可以设置同步点

SequenceFile的格式是由一个header 跟随一个或多个记录组成。前三个字节是一个Bytes SEQ代表着版本号，同时header也包括key的名称，value class , 压缩细节，metadata，以及Sync markers。Sync markers的作用在于可以读取任意位置的数据。

使用以下方法生成一个seqFile，其中的key是年份value是温度。

     @Test
    public void testWrite() throws Exception {
        Configuration conf = new Configuration();
        conf.set("fs.defaultFS","file:///");
        FileSystem fs = FileSystem.get(conf);
        Path p = new Path("/home/hadoop/seq/1.seq");
        SequenceFile.Writer writer = null;


        writer = SequenceFile.createWriter(conf,SequenceFile.Writer.file(p),//设置文件输出路径
                SequenceFile.Writer.keyClass(IntWritable.class),//设置输出key的类型
                SequenceFile.Writer.valueClass(IntWritable.class)//设置输出value的类型
        );
        IntWritable year;//年份
        IntWritable temperature;//温度
        for (int i = 0;i<8000;i++){
            year = new IntWritable();
            year.set(1970 + new Random().nextInt(100));
            temperature = new IntWritable();
            temperature.set(new Random().nextInt(100)-30);
            writer.append(year,temperature);
        }
        writer.close();
    }

使用命令查看生成文件的内容：

hdfs dfs -text 1.seq

写seqFile的时候生成压缩后的文件：

    /**
     * 压缩后的seqFile
     */
    @Test
    public void testWriteZipSeqFile() throws Exception {
        Configuration conf = new Configuration();
        conf.set("fs.defaultFS","file:///");
        FileSystem fs = FileSystem.get(conf);
        Path p = new Path("/home/hadoop/seq/2.seq");
        SequenceFile.Writer writer = null;

        writer = SequenceFile.createWriter(conf,SequenceFile.Writer.file(p),
                SequenceFile.Writer.keyClass(IntWritable.class),
                SequenceFile.Writer.valueClass(IntWritable.class),
                SequenceFile.Writer.compression(SequenceFile.CompressionType.BLOCK,new DefaultCodec())//采取块压缩的方式,defaultCodec的压缩编码
                );
        IntWritable year;//年份
        IntWritable temperature;//温度
        for (int i = 0;i<8000;i++){
            year = new IntWritable();
            year.set(1970 + new Random().nextInt(100));
            temperature = new IntWritable();
            temperature.set(new Random().nextInt(100)-30);
            writer.append(year,temperature);
            if(i % 400 == 0){
                writer.sync();//每四百条记录添加一个同步点
            }
        }
        writer.close();
    }

压缩方式有三种：块压缩"BLOCK",记录压缩（压缩value）“RECORD”,还有就是不压缩。压缩方式有：DeflateCodec GzipCodec BZip2Codec Lz4Codec LZO SnappyCodec。lzo snappyCodec需要你机器本地有响应的库支持。

读操作，读取所有的记录，不管是压缩还是非压缩文件都可以直接读取

    /**
     * 读操作,循环输出所有key-value
     */
    @Test
    public void readSeqFile() throws Exception {
        Configuration conf = new Configuration();
        conf.set("fs.defaultFS","file:///");
        FileSystem fs = FileSystem.get(conf);
        Path p = new Path("/home/hadoop/seq/1.seq") ;
        SequenceFile.Reader reader = null;
        reader = new SequenceFile.Reader(conf,SequenceFile.Reader.file(p)//路径
                );
        IntWritable key = new IntWritable();
        IntWritable value = new IntWritable() ;
        while(reader.next(key,value)){
            System.out.println(key.get() + " : " + value.toString());
        }
        reader.close();
    }

从seqFile中定位偏移量，读取文件

    /**
     * 读操作,循环输出所有key-value
     * 根据定位到某个字节，来读取文件
     */
    @Test
    public void readSeqFileFromSeek() throws Exception {
        Configuration conf = new Configuration();
        conf.set("fs.defaultFS","file:///");
        FileSystem fs = FileSystem.get(conf);
        Path p = new Path("/home/hadoop/seq/2.seq") ;
        SequenceFile.Reader reader = null;
        reader = new SequenceFile.Reader(conf,SequenceFile.Reader.file(p)//路径
        );
        IntWritable key = new IntWritable();
        IntWritable value = new IntWritable() ;
        reader.seek(25130);//从这个偏移量的下一个同步点开始读，偏移量必须是准确的
        while(reader.next(key,value)){
            System.out.println(reader.getPosition() + "   " +key.get() + " : " + value.toString());
        }
        reader.close();
    }

/**
     * 读操作,循环输出所有key-value
     * 根据同步点，来读取文件
     */
    @Test
    public void readSeqFileFromSync() throws Exception {
        Configuration conf = new Configuration();
        conf.set("fs.defaultFS","file:///");
        FileSystem fs = FileSystem.get(conf);
        Path p = new Path("/home/hadoop/seq/2.seq") ;
        SequenceFile.Reader reader = null;
        reader = new SequenceFile.Reader(conf,SequenceFile.Reader.file(p)//路径
                );
        IntWritable key = new IntWritable();
        IntWritable value = new IntWritable() ;
        reader.sync(23810);//从这个偏移量的下一同步点开始读
        while(reader.next(key,value)){
            System.out.println(reader.getPosition() + "   " +key.get() + " : " + value.toString());
        }
        reader.close();
    }