Hadoop自定义InputFormat

接触hadoop一年多了，但是自己一直没有用hadoop写过什么程序。最近，由于项目需要，将一些文件转换成hadoop的MapFile。网上的例子基本是直接处理文本输入，自定义输入格式的见到两个，但是都是用的旧的API，用新API写的还没有，可能高手不屑于写这些。但是处理自定义输入是每个用hadoop的人都要学会才行的，因为不是每个人的输入都是文本文件。

数据输入是hadoop的第一步，不能读自己的数据，后面的处理就无从谈起。文本格式处理起来容易些，对于二进制格式的文件，虽然hadoop有一个SequenceFileInputFormat，可以先把自己的数据转成SequenceFile，再处理，但是这样要多一倍的处理时间、存储空间。无奈之下，参考了hadoop的源代码，自己写了个ConverterInputFormat，在这里贴出来，供大家参考。

代码是基于hadoop 0.20的，其中的FetcherOutput是用Java的DataOutputStream写入到本地磁盘的，可以换成自己想要的格式。
ConvertertRecordReader好像必须有个默认的构造器。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89

package com.randyho.hadoop.converter;    import java.io.DataInputStream; import java.io.IOException;    import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.FileSystem; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.InputSplit; import org.apache.hadoop.mapreduce.JobContext; import org.apache.hadoop.mapreduce.RecordReader; import org.apache.hadoop.mapreduce.TaskAttemptContext; import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; import org.apache.hadoop.mapreduce.lib.input.FileSplit;    import com.randyho.FetcherOutput;    public class ConverterInputFormat extends FileInputFormat<Text, FetcherOutput> {         // Do not split files.      protected boolean isSplitable(JobContext context, Path file) {          return false ;      }         public RecordReader<Text, FetcherOutput> createRecordReader(              InputSplit split, TaskAttemptContext context) throws IOException,              InterruptedException {          return new ConvertertRecordReader();      }         class ConvertertRecordReader extends RecordReader<Text, FetcherOutput> {                     private DataInputStream dis;          private Text key = null ;          private FetcherOutput value;          private boolean more = true ;          private Configuration conf;             public ConvertertRecordReader(){              key = new Text();              value = new FetcherOutput();              more = true ;          }                     public void close() throws IOException {              if (dis != null ) {                  dis.close();              }          }             public Text getCurrentKey() throws IOException, InterruptedException {              return key;          }             public FetcherOutput getCurrentValue() throws IOException,                  InterruptedException {              return value;          }             public float getProgress() throws IOException, InterruptedException {              return more ? 0f : 100f;          }             public void initialize(InputSplit gensplit, TaskAttemptContext context)                  throws IOException, InterruptedException {              FileSplit split = (FileSplit) gensplit;              conf = context.getConfiguration();                Path file = split.getPath();              FileSystem fs = file.getFileSystem(conf);                             System.out.println( "reading: " + file);                 // open the file              dis = fs.open(split.getPath());          }             public boolean nextKeyValue() throws IOException, InterruptedException {              if (dis.available() != 0 ) {                  value.readFields(dis);                  key.set(value.getUrl());                                  return true ;              } else {                  more = false ;                  return false ;              }          }      } }

本人也是新学，对hadoop也不是很熟悉，如果有更好的方式，恳请赐教。