MapReduce的自定义inputFormat（合并小文件）

需求
无论hdfs还是mapreduce，对于小文件都有损效率，实践中，又难免面临处理大量小文件的场景，此时，就需要有相应解决方案

分析（小文件的优化无非以下几种方式：）
1、 在数据采集的时候，就将小文件或小批数据合成大文件再上传HDFS
2、 在业务处理之前，在HDFS上使用mapreduce程序对小文件进行合并
3、 在mapreduce处理时，可采用combineInputFormat提高效率

实现（本节实现的是上述第二种方式）
自定义一个InputFormat
改写RecordReader，实现一次读取一个完整文件封装为KV
在输出时使用SequenceFileOutPutFormat输出合并文件

自定义InputFromat：

public class Inputfromat extends FileInputFormat {
    @Override
public class Inputfromat extends FileInputFormat {
    @Override
    public RecordReader createRecordReader(InputSplit inputSplit, TaskAttemptContext context) throws IOException, InterruptedException {
        RR rr = new RR();
        rr.initialize(inputSplit,context);
        return rr;
    }
}

自定义RecordReader（RR）：

public class RR extends RecordReader {
    private FileSplit fileSplit;
    private Configuration configuration;
    private BytesWritable value = new BytesWritable();
    private Boolean b=false;
    @Override
    public void initialize(InputSplit inputSplit, TaskAttemptContext taskAttemptContext) throws IOException, InterruptedException {
        fileSplit = (FileSplit) inputSplit;
        configuration = taskAttemptContext.getConfiguration();
    }

    @Override
    public boolean nextKeyValue() throws IOException, InterruptedException {
        if (!b){
            Path path = fileSplit.getPath();
            FileSystem fileSystem = path.getFileSystem(configuration);
            FSDataInputStream open = fileSystem.open(path);
            byte[] contents = new byte[(int) fileSplit.getLength()];
            IOUtils.readFully(open,contents,0, contents.length);
            value.set(contents,0,contents.length);
            b=true;
            return true;
        }

        return false;
    }

    @Override
    public Object getCurrentKey() throws IOException, InterruptedException {
        return new Text(fileSplit.getPath().getName());
    }

    @Override
    public Object getCurrentValue() throws IOException, InterruptedException {


        return value;
    }



    @Override
    public float getProgress() throws IOException, InterruptedException {
        return 0;
    }

    @Override
    public void close() throws IOException {

    }
}

定义map：

public class Map extends Mapper<Text, BytesWritable,Text,BytesWritable> {
    @Override
    protected void map(Text key, BytesWritable value, Context context) throws IOException, InterruptedException {

        context.write(key,value);
    }
}

定义程序运行main方法：

public class Dirver {
    public static void main(String[] args)throws Exception {
        Job job = Job.getInstance(new Configuration(), "inputfromat");

        job.setJarByClass(Dirver.class);
        job.setMapperClass(Map.class);

        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(BytesWritable.class);

        job.setInputFormatClass(Inputfromat.class);
        Inputfromat.addInputPath(job,new Path("E:\\自定义inputformat_小文件合并\\input"));
        job.setOutputFormatClass(SequenceFileOutputFormat.class);
        SequenceFileOutputFormat.setOutputPath(job,new Path("E:\\output"));

        boolean b = job.waitForCompletion(true);
        System.exit(b?0:1);
    }
}