Hadoop TextInputFormat
1. TextInputFortmat
TextInputFormat是默认的InputFormat。每条记录是一行输入。Key是LongWritable类型,存储该行在整个文件中的字节偏移量(不是行数),值是这行的内容,为一个Text对象。
例如输入文件为:
grunt> cat test2
12,e21,ddwq,dqw,dwqw
sfd,cda,cdsz,cdwq,qwe
12,cds,fwa,feacd,cadfa
21ede,cdsf,ca,fa,dcac
caewf,ea,cdadc,acds,acsd
12e,afs,afesd,caefd,cawc
cax,cafe,caefe,fea,ceaef
在使用默认的 Map处理后输出:
grunt> cat out
0 12,e21,ddwq,dqw,dwqw
21 sfd,cda,cdsz,cdwq,qwe
43 12,cds,fwa,feacd,cadfa
66 21ede,cdsf,ca,fa,dcac
88 caewf,ea,cdadc,acds,acsd
113 12e,afs,afesd,caefd,cawc
138 cax,cafe,caefe,fea,ceaef
可以看到Key的值并不是行数,而是字节在文件中的偏移量。一般情况下,很难获取到文件的行号,因为文件是按字节切分为分片,而不是按行切分。
在按行读文本的情况下,可能会存在超长行的情况。超长行会导致内存溢出,可以通过设置 mapreduce.input.linerecordreader.line.maxlength,指定一个最长行的字节数(在内存范围内),可以确保 recordreader 跳过超长行。
2. KeyValueTextInputFormat
TextInputFormat 将文件中的行作为Key,每行对应的文本作为Value。但是对于某些文件内容已经是 Key-Value 形式的话,使用 TextInputFormat 会显得多次一举。在这种情况下,我们可以使用KeyValueTextInputFormat,它以某个分隔符进行分割(默认为制表符):
public KeyValueLineRecordReader(Configuration conf) throws IOException {
String sepStr = conf.get("mapreduce.input.keyvaluelinerecordreader.key.value.separator", "\t");
this.separator = (byte)sepStr.charAt(0);
}
一个范例如下,使用逗号为分隔符:
grunt> cat test2
12,e21,ddwq,dqw,dwqw
sfd,cda,cdsz,cdwq,qwe
12,cds,fwa,feacd,cadfa
21ede,cdsf,ca,fa,dcac
输出为:
grunt> cat out
12 cds,fwa,feacd,cadfa
12 e21,ddwq,dqw,dwqw
12e afs,afesd,caefd,cawc
21ede cdsf,ca,fa,dcac
在任务设置中需要做的配置如下:
Configuration conf = new Configuration();
conf.set("mapreduce.input.keyvaluelinerecordreader.key.value.separator", ",");
job.setInputFormatClass(org.apache.hadoop.mapreduce.lib.input.KeyValueTextInputFormat.class);
3. NLineInputFormat
在使用TextInputFormat和KeyValueInputFormat 时,每个mapper 收到的行数取决于输入的分片大小以及行的长度。如果希望 mapper 收到固定行的输入,则需要使用 NLineInputFormat。与 TextInputFormat一样,key是文件中的字节偏移量,值是行本身。
N是每个mapper收到的输入行数。N设置为1时(默认),每个mapper正好收到一行输入。同样使用之前的一共7行输入,使用NLineInputFormat:
job.setInputFormatClass(org.apache.hadoop.mapreduce.lib.input.NLineInputFormat.class);
grunt> cat out
0 12,e21,ddwq,dqw,dwqw
21 sfd,cda,cdsz,cdwq,qwe
43 12,cds,fwa,feacd,cadfa
…
查看此任务的相关指标,可以看到:
Job Counters
Launched map tasks=7
Launched reduce tasks=1
Other local map tasks=7
Mapper数一共有7个,也就是每行均生成了一个Map。可以通过设置以下参数指定NLine为多少行:
mapreduce.input.lineinputformat.linespermap
References: Hadoop权威指南第四版
最新文章
- Laravel-lumen 配置JWT
- python接收图片变成缩略图
- memcpy函数用法
- logging mod
- scala-尾递归
- 采用指数退避算法实现ajax请求的重发,全部完成时触发回调函数
- C++中的运算符优先级
- 在线预览文件(pdf)
- iot表和heap表排序规则不同
- 关于 Equal Override Overload 和 IEquatable
- JS实现回到Top(顶部)--JavaScript
- 【Appium】Appium工作原理(2)
- 一脸懵逼学习keepalived(对Nginx进行热备)
- mysql Out of range value adjusted for column导致Warning(1265)Data truncated for column 'column_name' at row 1
- iOS-微信分享多张图片(UIActivityViewController多图分享和多图分享失败)
- 探究MySQL MGR的读写分离
- i++ i+=1 i=i+1 汇编代码效率比较
- Apache+tomcat配置动静分离(一个apache一个tomcat,没有做集群)
- LINUX内核分析第四周——扒开系统调用的三层皮
- 获取网站所有的url正则表达式
热门文章
- 【3】Python中的广播
- 多线程模式下高并发的环境中唯一确保单例模式---DLC双端锁
- window服务session隔离
- 小白月赛22 G : 仓库地址
- 深入浅出Mybatis系列四-配置详解之typeAliases别名(mybatis源码篇)
- JS编解码与Java编解码的对应关系
- Python爬虫连载4-Error模块、Useragent详解
- 使用VS2017创建EF框架实例
- vue项目出现Module not found: Error: Can't resolve 'stylus-loader'错误解决方案
- 2.js将Date对象转换成“2018-05-10”字符串格式化的时间