Hadoop 多文件输出MultipleOutputFormat

FileOutputFormat 及其子类产生的文件放在输出目录下。每个 reducer 一个文件并且文件由分区号命名:part-r-00000,part-r-00001,等等。有时可能要对输出的文件名进行控制或让每个 reducer 输出多个文件。MapReduce 为此提供了 MultipleOutputFormat 类。

MultipleOutputFormat 类可以将数据写到多个文件,这些文件的名称源于输出的键和值或者任意字符串。这允许每个 reducer(或者只有 map 作业的 mapper)创建多个文件。采用 name-r-nnnnn 形式的文件名用于 reduce 输出,其中 name 是由程序设定的任意名字,nnnnn 是一个指名块号的整数(从0开始)。块号保证从不同块(mapper 或者 reducer)写的输出在相同名字情况下不会冲突。

1. 重定义输出文件名

我们可以对输出的文件名进行控制。考虑这样一个需求:按男女性别来区分度假订单数据。这需要运行一个作业,作业的输出是男女各一个文件,此文件包含男女性别的所有数据记录。

这个需求可以使用 MultipleOutputs 来实现:

package com.sjf.open.test;
import java.io.IOException;
import org.apache.commons.lang3.StringUtils;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.compress.CompressionCodec;
import org.apache.hadoop.io.compress.GzipCodec;
import org.apache.hadoop.mapred.JobPriority;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.FileSplit;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.MultipleOutputs;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;
import com.sjf.open.utils.ConfigUtil;
/**
* Created by xiaosi on 16-11-7.
*/
public class VacationOrderBySex extends Configured implements Tool {
public static void main(String[] args) throws Exception {
int status = ToolRunner.run(new VacationOrderBySex(), args);
System.exit(status);
}
public static class VacationOrderBySexMapper extends Mapper<LongWritable, Text, Text, Text> {
public String fInputPath = "";
@Override
protected void setup(Context context) throws IOException, InterruptedException {
super.setup(context);
fInputPath = ((FileSplit) context.getInputSplit()).getPath().toString();
}
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
String line = value.toString();
if(fInputPath.contains("vacation_hot_order")){
String[] params = line.split("\t");
String sex = params[2];
if(StringUtils.isBlank(sex)){
return;
}
context.write(new Text(sex.toLowerCase()), value);
}
}
}
public static class VacationOrderBySexReducer extends Reducer<Text, Text, NullWritable, Text> {
private MultipleOutputs<NullWritable, Text> multipleOutputs;
@Override
protected void setup(Context context) throws IOException, InterruptedException {
multipleOutputs = new MultipleOutputs<NullWritable, Text>(context);
}
@Override
protected void reduce(Text key, Iterable<Text> values, Context context)
throws IOException, InterruptedException {
for (Text value : values) {
multipleOutputs.write(NullWritable.get(), value, key.toString());
}
}
@Override
protected void cleanup(Context context) throws IOException, InterruptedException {
multipleOutputs.close();
}
}
@Override
public int run(String[] args) throws Exception {
if (args.length != 2) {
System.err.println("./run <input> <output>");
System.exit(1);
}
String inputPath = args[0];
String outputPath = args[1];
int numReduceTasks = 16;
Configuration conf = this.getConf();
conf.setBoolean("mapred.output.compress", true);
conf.setClass("mapred.output.compression.codec", GzipCodec.class, CompressionCodec.class);
Job job = Job.getInstance(conf);
job.setJobName("vacation_order");
job.setJarByClass(VacationOrderBySex.class);
job.setMapperClass(VacationOrderBySexMapper.class);
job.setReducerClass(VacationOrderBySexReducer.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(Text.class);
job.setOutputKeyClass(NullWritable.class);
job.setOutputValueClass(Text.class);
FileInputFormat.setInputPaths(job, inputPath);
FileOutputFormat.setOutputPath(job, new Path(outputPath));
job.setNumReduceTasks(numReduceTasks);
boolean success = job.waitForCompletion(true);
return success ? 0 : 1;
}
}

在生成输出的 reduce 中,在 setup() 方法中构造一个 MultipleOutputs 的实例并将它赋予一个实例变量。在 reduce() 方法中使用 MultipleOutputs 实例来写输出,而不是 context。write() 方法作用于键,值和名字。这里使用的是性别作为名字,因此最后产生的输出名称的形式为 sex-r-nnnnn:

-rw-r--r--   3 xiaosi xiaosi          0 2016-12-06 10:41 tmp/order_by_sex/_SUCCESS
-rw-r--r-- 3 xiaosi xiaosi 88574 2016-12-06 10:41 tmp/order_by_sex/f-r-00005.gz
-rw-r--r-- 3 xiaosi xiaosi 60965 2016-12-06 10:41 tmp/order_by_sex/m-r-00012.gz
-rw-r--r-- 3 xiaosi xiaosi 20 2016-12-06 10:41 tmp/order_by_sex/part-r-00000.gz
-rw-r--r-- 3 xiaosi xiaosi 20 2016-12-06 10:41 tmp/order_by_sex/part-r-00001.gz
-rw-r--r-- 3 xiaosi xiaosi 20 2016-12-06 10:41 tmp/order_by_sex/part-r-00002.gz
-rw-r--r-- 3 xiaosi xiaosi 20 2016-12-06 10:41 tmp/order_by_sex/part-r-00003.gz
-rw-r--r-- 3 xiaosi xiaosi 20 2016-12-06 10:41 tmp/order_by_sex/part-r-00004.gz
-rw-r--r-- 3 xiaosi xiaosi 20 2016-12-06 10:41 tmp/order_by_sex/part-r-00005.gz
-rw-r--r-- 3 xiaosi xiaosi 20 2016-12-06 10:41 tmp/order_by_sex/part-r-00006.gz
-rw-r--r-- 3 xiaosi xiaosi 20 2016-12-06 10:41 tmp/order_by_sex/part-r-00007.gz
-rw-r--r-- 3 xiaosi xiaosi 20 2016-12-06 10:41 tmp/order_by_sex/part-r-00008.gz

我们可以看到在输出文件中不仅有我们想要的输出文件类型,还有part-r-nnnnn形式的文件,但是文件内没有信息,这是程序默认的输出文件。所以我们在指定输出文件名称时(name-r-nnnnn),不要指定name为part,因为它已经被使用为默认值了。

2. 多目录输出

在 MultipleOutputs 的 write() 方法中指定的基本路径相对于输出路径进行解释,因为它可以包含文件路径分隔符(/),创建任意深度的子目录。例如,我们改动上面的需求:按男女性别来区分度假订单数据,不同性别数据位于不同子目录(例如:sex=f/part-r-00000)。

public static class VacationOrderBySexReducer extends Reducer<Text, Text, NullWritable, Text> {
private MultipleOutputs<NullWritable, Text> multipleOutputs;
@Override
protected void setup(Context context) throws IOException, InterruptedException {
multipleOutputs = new MultipleOutputs<NullWritable, Text>(context);
}
@Override
protected void reduce(Text key, Iterable<Text> values, Context context)
throws IOException, InterruptedException {
for (Text value : values) {
String basePath = String.format("sex=%s/part", key.toString());
multipleOutputs.write(NullWritable.get(), value, basePath);
}
}
@Override
protected void cleanup(Context context) throws IOException, InterruptedException {
multipleOutputs.close();
}
}

后产生的输出名称的形式为 sex=f/part-r-nnnnn 或者 sex=m/part-r-nnnnn

-rw-r--r--   3 xiaosi xiaosi          0 2016-12-06 12:26 tmp/order_by_sex/_SUCCESS
-rw-r--r-- 3 xiaosi xiaosi 20 2016-12-06 12:26 tmp/order_by_sex/part-r-00000.gz
-rw-r--r-- 3 xiaosi xiaosi 20 2016-12-06 12:26 tmp/order_by_sex/part-r-00001.gz
-rw-r--r-- 3 xiaosi xiaosi 20 2016-12-06 12:26 tmp/order_by_sex/part-r-00002.gz
-rw-r--r-- 3 xiaosi xiaosi 20 2016-12-06 12:26 tmp/order_by_sex/part-r-00003.gz
-rw-r--r-- 3 xiaosi xiaosi 20 2016-12-06 12:26 tmp/order_by_sex/part-r-00004.gz
-rw-r--r-- 3 xiaosi xiaosi 20 2016-12-06 12:26 tmp/order_by_sex/part-r-00005.gz
-rw-r--r-- 3 xiaosi xiaosi 20 2016-12-06 12:26 tmp/order_by_sex/part-r-00006.gz
-rw-r--r-- 3 xiaosi xiaosi 20 2016-12-06 12:26 tmp/order_by_sex/part-r-00007.gz
drwxr-xr-x - xiaosi xiaosi 0 2016-12-06 12:26 tmp/order_by_sex/sex=f
drwxr-xr-x - xiaosi xiaosi 0 2016-12-06 12:26 tmp/order_by_sex/sex=m

3. 延迟输出

FileOutputFormat 的子类会产生输出文件(part-r-nnnnn),即使文件是空的,也会产生。我们有时候不想要这些空的文件,我们可以使用 LazyOutputFormat 进行处理。它是一个封装输出格式,可以指定分区第一条记录输出时才真正创建文件。要使用它,使用 JobConf 和相关输出格式作为参数来调用 setOutputFormatClass() 方法即可:

Configuration conf = this.getConf();
Job job = Job.getInstance(conf);
LazyOutputFormat.setOutputFormatClass(job, TextOutputFormat.class);

再次检查一下我们的输出文件(第一个例子):

sudo -uxiaosi hadoop fs -ls tmp/order_by_sex/
Found 3 items
-rw-r--r-- 3 xiaosi xiaosi 0 2016-12-06 13:36 tmp/order_by_sex/_SUCCESS
-rw-r--r-- 3 xiaosi xiaosi 88574 2016-12-06 13:36 tmp/order_by_sex/f-r-00005.gz
-rw-r--r-- 3 xiaosi xiaosi 60965 2016-12-06 13:36 tmp/order_by_sex/m-r-00012.gz

赏几毛白!