MepReduce 預設使用的輸入格式為 TextInputFormat 其以行為單位. 傳遞給 mapper 進行處理, 若要變更行為則須自行撰寫 InputForm, 以下是直接複製 TextInputFormat 然後變更其資料提交行為. 主要是將 nextKeyValue() 內的 readLine 作替換.
► 建立 InputFormat
由原本傳回的 LineRecordReader 改成自己的 CustomLineRecordReader 然後在 driver 內設置 job.setInputFormatClass(MaxInputFormat.class); 即可改用自己的方式處理讀入與每次傳遞資料.
主要內容同 TextInputFormat , 只要增加自行處理部分為 itemNext, 就依測試每筆資料內容而言可以直接在 mapper處裡就好而無須自行撰寫 InputFormat, 改寫目的只是為了學習.
► 建立 InputFormat
由原本傳回的 LineRecordReader 改成自己的 CustomLineRecordReader 然後在 driver 內設置 job.setInputFormatClass(MaxInputFormat.class); 即可改用自己的方式處理讀入與每次傳遞資料.
► 自訂的Reader CustomLineRecordReaderpublic class MaxInputFormat extends FileInputFormat<LongWritable,Text>{ public RecordReader<LongWritable, Text> createRecordReader( InputSplit split, TaskAttemptContext context) throws IOException, InterruptedException { return new CustomLineRecordReader(); } }
主要內容同 TextInputFormat , 只要增加自行處理部分為 itemNext, 就依測試每筆資料內容而言可以直接在 mapper處裡就好而無須自行撰寫 InputFormat, 改寫目的只是為了學習.
► 輸入的檔案內容public class CustomLineRecordReader extends RecordReader<LongWritable, Text> { private long start; private long pos; private long end; private LineReader in; private int maxLineLength; private LongWritable key = new LongWritable(); private Text value = new Text(); private static final Log LOG = LogFactory.getLog(CustomLineRecordReader.class); public void initialize(InputSplit genericSplit, TaskAttemptContext context) throws IOException { // 單筆許可最大長度 Configuration job = context.getConfiguration(); maxLineLength = job.getInt("mapred.linerecordreader.maxlength",Integer.MAX_VALUE); // genericSplit 用來通知此次處理資料的範圍 FileSplit split = (FileSplit)genericSplit; start = split.getStart(); end = start + split.getLength(); final Path file = split.getPath();//要處理的目標檔案 FileSystem fs = file.getFileSystem(job); FSDataInputStream fileIn = fs.open(split.getPath()); fileIn.seek(start);//移到此次處理的起始位置 in = new LineReader(fileIn, job); if (start != 0) {// 移到次處理的起始位置 start += in.readLine(new Text(), 0,(int) Math.min((long) Integer.MAX_VALUE, end - start)); } this.pos = start;//紀錄開始位置 } public boolean nextKeyValue() throws IOException { key.set(pos);//設置提交資料key, 資料位於檔案的起始位置 int newSize = 0; while (pos < end) { //每次讀入一行, 儲存至 value //newSize = in.readLine(value, maxLineLength, Math.max((int) Math.min(Integer.MAX_VALUE, end - pos), maxLineLength)); //自行處理每次讀入內容 newSize = readItem(value, maxLineLength, Math.max((int) Math.min(Integer.MAX_VALUE, end - pos), maxLineLength)); //沒有新資料則結束 if (newSize == 0) { break; } // 下一筆起始位置 pos += newSize; //System.out.printf("[pos:%d end:%d total:%d] v:%s\n",key.get(),pos,end, value); if (newSize < maxLineLength) { break; // 符合單筆最大限制, 跳出提交資料 return true(found key/value) } // 單資資料超過許可長度 LOG.info("Skipped line of size " + newSize + " at pos " + (pos - newSize)); } if (newSize == 0) {//已經達到了分裂的結束 key = null; value = null; return false; } else {//告訴 hadoop 已經備好 key/value return true; } } //自行處理每次傳給 mapper 的 key/value ArrayList<String> valueBuffer = new ArrayList<String>();//暫存item int lineLength = 0; //紀錄已讀取資料長度 Text tmpLine = new Text(); private int readItem(Text text, int maxLineLength, int maxBytesToConsume) throws IOException { text.clear(); int fristItem = 1; if (valueBuffer.isEmpty()) { //每筆內容:1950-12-04 7999,1950-12-04 7999,1950-12-04 7999 pos = lineLength;//紀錄位置調整 int len = in.readLine(tmpLine, maxLineLength, maxBytesToConsume); if (len>0) {//item 資料以逗點作分隔 lineLength += len; String[] aryStr = tmpLine.toString().split("[,]"); for(String s : aryStr) { valueBuffer.add(s); } } fristItem = 0; } if (!valueBuffer.isEmpty()) { text.set(valueBuffer.get(0)); valueBuffer.remove(0); } //System.out.printf("[i:%d]\n",text.getLength()+fristItem); return text.getLength()+fristItem; } public float getProgress() throws IOException, InterruptedException { if (start == end) { return 0.0f; } else { return Math.min(1.0f, (pos - start) / (float) (end - start)); } } public LongWritable getCurrentKey() throws IOException, InterruptedException { return key; } public Text getCurrentValue() throws IOException, InterruptedException { return value; } public synchronized void close() throws IOException { if (in != null) { in.close(); } } }
1950-12-04 7999,1950-12-04 7999,1950-12-04 7999,1950-12-04 7999,1950-12-04 7110
1950-12-10 8999,1950-12-04 7999,1950-12-04 7999,1950-12-04 7999,1950-12-04 7111
1950-12-10 8999,1950-12-04 7999,1950-12-04 7999,1950-12-04 7999,1950-12-04 7111