java sequencefile_Hadoop SequenceFile数据结构介绍及读写

标签：

在一些应用中，我们需要一种特殊的数据结构来存储数据，并进行读取，这里就分析下为什么用SequenceFile格式文件。

Hadoop SequenceFile

Hadoop提供的SequenceFile文件格式提供一对key,value形式的不可变的数据结构。同时，HDFS和MapReduce job使用SequenceFile文件可以使文件的读取更加效率。

SequenceFile的格式

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。

在recourds中，又分为是否压缩格式。当没有被压缩时，key与value使用Serialization序列化写入SequenceFile。当选择压缩格式时，record的压缩格式与没有压缩其实不尽相同，除了value的bytes被压缩，key是不被压缩的。

在Block中，它使所有的信息进行压缩，压缩的最小大小由配置文件中，io.seqfile.compress.blocksize配置项决定。

SequenceFile的MapFile

一个MapFile可以通过SequenceFile的地址，进行分类查找的格式。使用这个格式的优点在于，首先会将SequenceFile中的地址都加载入内存，并且进行了key值排序，从而提供更快的数据查找。

写SequenceFile文件:

将key按100-1以IntWritable object进行倒叙写入sequence file,value为Text objects格式。在将key和value写入Sequence File前，首先将每行所在的位置写入(writer.getLength())

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.FileSystem;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.IOUtils;

import org.apache.hadoop.io.IntWritable;

import org.apache.hadoop.io.SequenceFile;

import org.apache.hadoop.io.Text;

import java.io.IOException;

import java.net.URI;

public classSequenceFileWriteDemo {private static final String[] DATA ={"One, two, buckle my shoe","Three, four, shut the door","Five, six, pick up sticks","Seven, eight, lay them straight","Nine, ten, a big fat hen"};public static void main(String[] args) throwsIOException {

String uri= args[0];

Configuration conf= newConfiguration();

FileSystem fs=FileSystem.get(URI.create(uri), conf);

Path path= newPath(uri);

IntWritable key= newIntWritable();

Text value= newText();

SequenceFile.Writer writer= null;try{

writer=SequenceFile.createWriter(fs, conf, path,

key.getClass(), value.getClass());for (int i = 0; i < 100; i++) {

key.set(100 -i);

value.set(DATA[i%DATA.length]);

System.out.printf("[%s]\t%s\t%s\n", writer.getLength(), key, value);

writer.append(key, value);

}

}finally{

IOUtils.closeStream(writer);

}

}

}

读取SequenceFile文件:

首先需要创建SequenceFile.Reader实例，随后通过调用next()函数进行每行结果集的迭代(需要依赖序列化).

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.FileSystem;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.IOUtils;

import org.apache.hadoop.io.SequenceFile;

import org.apache.hadoop.io.Writable;

import org.apache.hadoop.util.ReflectionUtils;

import java.io.IOException;

import java.net.URI;

public classSequenceFileReadDemo {public static void main(String[] args) throwsIOException {

String uri= args[0];

Configuration conf= newConfiguration();

FileSystem fs=FileSystem.get(URI.create(uri), conf);

Path path= newPath(uri);

SequenceFile.Reader reader= null;try{

reader= newSequenceFile.Reader(fs, path, conf);

Writable key=(Writable)

ReflectionUtils.newInstance(reader.getKeyClass(), conf);

Writable value=(Writable)

ReflectionUtils.newInstance(reader.getValueClass(), conf);long position =reader.getPosition();while(reader.next(key, value)) {

//同步记录的边界

String syncSeen= reader.syncSeen() ? "*" : "";

System.out.printf("[%s%s]\t%s\t%s\n", position, syncSeen, key, value);

position= reader.getPosition(); //beginning of next record

}

}finally{

IOUtils.closeStream(reader);

}

}

}

参考文献: 《Hadoop:The Definitive Guide, 4th Edition》

标签：