MapReduce和Hive支持递归子目录作为输入

关键字：MapReduce、Hive、子目录、递归、输入、Input、mapreduce.input.fileinputformat.input.dir.recursive、hive.mapred.supports.subdirectories

一般情况下，传递给MapReduce和Hive的input文件夹中不能包含子目录，否则就会报错。但后来增加了递归遍历Input目录的功能，

这个貌似是从0.23开始的，具体不清楚，反正在0.20中是不支持的。

我使用的Hadoop版本为：hadoop-2.3.0-cdh5.0.0

Hive版本为：apache-hive-0.13.1-bin

具体使用示例如下：

数据准备

 

 
 
cat 1.txt 
1
1
1
 
cat 2.txt 
2
2
 
hadoop fs -mkdir /tmp/lxw1234/
hadoop fs -mkdir /tmp/lxw1234/subdir/
hadoop fs -put 1.txt /tmp/lxw1234/
hadoop fs -put 2.txt /tmp/lxw1234/subdir/
 
hadoop fs -ls -R /tmp/lxw1234/
-rw-r--r--   2 lxw1234 supergroup          6 2015-07-08 13:56 /tmp/lxw1234/1.txt
drwxr-xr-x   - lxw1234 supergroup          0 2015-07-08 13:56 /tmp/lxw1234/subdir
-rw-r--r--   2 lxw1234 supergroup          4 2015-07-08 13:56 /tmp/lxw1234/subdir/2.txt

1.txt在/tmp/lxw1234/下，2.txt在/tmp/lxw1234/subdir/目录下。

 

MapReduce

默认情况下，mapreduce.input.fileinputformat.input.dir.recursive为flase.

运行wordcount：

hadoop  jar  hadoop-mapreduce-examples-2.3.0-cdh5.0.0.jar  wordcount  /tmp/lxw1234/  /tmp/output/

报错 “Error: java.io.FileNotFoundException: Path is not a file: /tmp/lxw1234/subdir”，原因是MapReduce获取/tmp/lxw1234下的列表，把/tmp/lxw1234/subdir也作为一个input file来处理。

设置mapreduce.input.fileinputformat.input.dir.recursive=true，这个参数是客户端参数，可以在MapReduce中设置，也可以在mapred-site.xml中设置，无所谓。

再运行上面的wordcount命令：

hadoop  jar  hadoop-mapreduce-examples-2.3.0-cdh5.0.0.jar  wordcount  /tmp/lxw1234/  /tmp/output/

Job成功执行，查看结果：

hadoop fs -cat /tmp/output/*
1       3
2       2

正确。

 

Hive

仍然使用上面的HDFS路径/tmp/lxw1234/建表：

 
 
CREATE EXTERNAL TABLE lxw1234 (d string) stored AS textfile location '/tmp/lxw1234/';

查询：select * from lxw1234;

同样报错 “Not a file: hdfs://cdh5/tmp/lxw1234/subdir” 。

在hive-cli中设置参数：

set hive.mapred.supports.subdirectories=true;
set mapreduce.input.fileinputformat.input.dir.recursive=true;

再执行：

结果正确。

 

参数mapreduce.input.fileinputformat.input.dir.recursive表示是否在MapReduce中递归遍历Input目录，

Hadoop1.0中该参数为：mapred.input.dir.recursive

Hive中设置hive.mapred.supports.subdirectories=true之后，即可将包含子目录的文件夹作为表或分区的数据目录，

查询的时候会递归遍历查询，但需要Hadoop的版本支持该功能才可以。

比如：hive0.13+hadoop0.20就不起作用。

 

Hive相关文章（持续更新）：

一起学Hive系列

—-Hive概述，Hive是什么

—-Hive函数大全-完整版

—-Hive中的数据库(Database)和表(Table)

—-Hive的安装配置

—-Hive的视图和分区

—-Hive的动态分区

—-向Hive表中加载数据

—-使用Hive命令行

—-Hive的查询语句SELECT

—-Hive中Join的原理和机制

—-Hive中Join的类型和用法

—-Hive SQL的优化

—-Hive整合HBase，操作HBase表

—-Hive的元数据表结构详解

Hive分析函数系列

Hive索引

hive优化之——控制hive任务中的map数和reduce数