MapReduce处理输出多文件格式(MultipleOutputs)

MultiPleOutputs原理

MapReduce job中，可以使用FileInputFormat和FileOutputFormat来对输入路径和输出路径来进行设置。在输出目录中，框架自己会自动对输出文件进行命名和组织，如part-(m|r)-00000之类，但有时为了后续流程的方便，我们常需要对输出结果进行一定的分类和组织。以前常用的方法是在MR job运行之后，用脚本对目录下的数据进行一次重新组织，变成我们需要的格式。

研究了一下MR框架中的MultipleOutputs(是2.0之后的新API，是对老版本中MultipleOutputs与MultipleOutputFormat的一个整合)。
在一般情况下，Hadoop每一个Reducer产生一个输出文件，文件以part-r-00000,part-r-00001的方式进行命名，如果需要认为的控制输出文件的命名或者每一个Reducer需要写出多个输出文件时，可以采用MultipleOutputs类来完成，MultipleOutputs采用输出记录的键值对（output Key和output Value）或者任意字符串来生成输出文件的名字，文件一般以name-r-nnnnn的格式进行命名，其中name是程序设计的任意名字；nnnnn表示分区号。

 

使用方法

1.驱动中不需要额外改变，只需要在MapClass或Reduce类中加入以下代码

[java]  view plain  copy

 print ?

1. private MultipleOutputs<Text,IntWritable> mos;  
2. public void setup(Context context) throws Exception{  
3.   mos=new MultipleOutputs(context);  
4. }  
5. public void cleanup(Context context) throws Exeception{  
6.   mos.close();  
7. }   

2.然后就可以用mos.write(Key key,Value value,String baseOutputPath)代替context.write(key,value);
在MapClass或Reduce中使用，输出时也会有默认的文件part-m-00*或part-r-00*,不过这些文件是无内容的，大小为0。而且只有part-m-00*会传给reduce。

注意：
multipleOutputs.write(key,value,baseOutputPath)方法的第三个参数表明了该输出所在的目录（相当于用户指定的输出目录）。如果baseOutputPath不包含文件分隔符"/",那么输出的文件格式为baseOutputPath-r-nnnnn(name-r-nnnnn).
如果包含文件分隔符"/".例如baseOutputPath="029070-99999/1901/part",那么输出文件则为027070-99999/1901/part-r-nnnnn.

 

3.最后在job的类中

// 设置输出文件类型

[java]  view plain  copy

 print ?

1. MultipleOutputs.addNamedOutput(job, namedOutput, outputFormatClass, keyClass, valueClass);  

 

 

 

案例

原始数据

1512,iphone5s,4inchs,A7,64,M7,lowerpower
1512,iphone5,4inchs,A6,IOS7
1512,iphone4s,3.5inchs,A5
50019780,Ipad,9.7,retina
50019780,yoga,lenovel,18hours
50019780,nexus,7,google
50019780,Ipad mini2,retina,7.9
1101,macbook air,OS X mavericks
1101,macbook pro,OS X lion
1101,thinkpad yoga,lenovel,windows 8

对原始数据根据第一个id列进行分类到不同的文件中

1.Map类

[java]  view plain  copy

 print ?

1. package test.mr.multioutputs;  
2.   
3. import java.io.IOException;  
4.   
5. import org.apache.hadoop.io.LongWritable;  
6. import org.apache.hadoop.io.Text;  
7. import org.apache.hadoop.mapreduce.Mapper;  
8.   
9. public class MultioutMap extends Mapper<LongWritable, Text, Text, Text> {  
10.     @Override  
11.     protected void map(LongWritable key, Text value,  
12.             Mapper<LongWritable, Text, Text, Text>.Context context)  
13.             throws IOException, InterruptedException {  
14.         String line = value.toString().trim();  
15.         if (line.length() > 0) {  
16.             String str[] = line.split(",");  
17.             // 提取分类  
18.             context.write(new Text(str[0]), value);  
19.         }  
20.     }  
21. }  

 

2.Reduce类

[java]  view plain  copy

 print ?

1. package test.mr.multioutputs;  
2.   
3. import java.io.IOException;  
4.   
5. import org.apache.hadoop.io.NullWritable;  
6. import org.apache.hadoop.io.Text;  
7. import org.apache.hadoop.mapreduce.Reducer;  
8. import org.apache.hadoop.mapreduce.lib.output.MultipleOutputs;  
9.   
10. public class MultioutRedu extends Reducer<Text, Text, NullWritable, Text> {  
11.     private MultipleOutputs<NullWritable, Text> mos; // 输出类型和Reduce一致  
12.   
13.     @Override  
14.     protected void setup(Reducer<Text, Text, NullWritable, Text>.Context context)  
15.             throws IOException, InterruptedException {  
16.         mos = new MultipleOutputs<NullWritable, Text>(context);  
17.     }  
18.   
19.     @Override  
20.     protected void cleanup(  
21.             Reducer<Text, Text, NullWritable, Text>.Context context)  
22.             throws IOException, InterruptedException {  
23.         mos.close();  
24.     }  
25.   
26.     @Override  
27.     protected void reduce(Text key, Iterable<Text> values,  
28.             Reducer<Text, Text, NullWritable, Text>.Context context)  
29.             throws IOException, InterruptedException {  
30.         /* 
31.          * mos.write(Key key,Value 
32.          * value,StringbaseOutputPath)代替context.write(key,value); 
33.          */  
34.         for (Text value : values) {  
35.             // 指定写出不同文件的数据  
36.             mos.write("KeySplit", NullWritable.get(), value, key.toString()  
37.                     + "/");  
38.             // 指定写出全部数据  
39.             mos.write("AllData", NullWritable.get(), value);  
40.         }  
41.   
42.     }  
43. }  

 

3.job类

[java]  view plain  copy

 print ?

1. package test.mr.multioutputs;  
2.   
3. import org.apache.hadoop.conf.Configuration;  
4. import org.apache.hadoop.fs.Path;  
5. import org.apache.hadoop.io.NullWritable;  
6. import org.apache.hadoop.io.Text;  
7. import org.apache.hadoop.mapreduce.Job;  
8. import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;  
9. import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;  
10. import org.apache.hadoop.mapreduce.lib.output.MultipleOutputs;  
11. import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;  
12.   
13. public class MultioutMain {  
14.     public static void main(String[] args) throws Exception {  
15.         Configuration conf = new Configuration();  
16.         Job job = new Job(conf);  
17.         job.setJarByClass(MultioutMain.class);  
18.   
19.         job.setMapperClass(MultioutMap.class);  
20.         job.setMapOutputKeyClass(Text.class);  
21.         job.setMapOutputValueClass(Text.class);  
22.   
23.         job.setReducerClass(MultioutRedu.class);  
24.         job.setOutputKeyClass(NullWritable.class);  
25.         job.setOutputValueClass(Text.class);  
26.   
27.         // 设置输出文件类型  
28.         MultipleOutputs.addNamedOutput(job, "KeySplit", TextOutputFormat.class,  
29.                 NullWritable.class, Text.class);  
30.         MultipleOutputs.addNamedOutput(job, "AllData", TextOutputFormat.class,  
31.                 NullWritable.class, Text.class);  
32.           
33.   
34.         FileInputFormat.addInputPath(job, new Path(args[0]));  
35.         FileOutputFormat.setOutputPath(job, new Path(args[1]));  
36.         job.waitForCompletion(true);  
37.     }  
38. }