hadoop自定义InputFormat

收入啤酒88

　　本文转自：http://www.randyho.com/?p=41
[size=1.4em]接触hadoop一年多了，但是自己一直没有用hadoop写过什么程序。最近，由于项目需要，将一些文件转换成hadoop的MapFile。网上的例子基本是直接处理文本输入，自定义输入格式的见到两个，但是都是用的旧的API，用新API写的还没有，可能高手不屑于写这些。但是处理自定义输入是每个用hadoop的人都要学会才行的，因为不是每个人的输入都是文本文件。
[size=1.4em]数据输入是hadoop的第一步，不能读自己的数据，后面的处理就无从谈起。文本格式处理起来容易些，对于二进制格式的文件，虽然hadoop有一个SequenceFileInputFormat，可以先把自己的数据转成SequenceFile，再处理，但是这样要多一倍的处理时间、存储空间。无奈之下，参考了hadoop的源代码，自己写了个ConverterInputFormat，在这里贴出来，供大家参考。
[size=1.4em]代码是基于hadoop 0.20的，其中的FetcherOutput是用Java的DataOutputStream写入到本地磁盘的，可以换成自己想要的格式。
ConvertertRecordReader好像必须有个默认的构造器。
[size=1.4em] 
[size=1.4em] 

package com.randyho.hadoop.converter;
import java.io.DataInputStream;
import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.InputSplit;
import org.apache.hadoop.mapreduce.JobContext;
import org.apache.hadoop.mapreduce.RecordReader;
import org.apache.hadoop.mapreduce.TaskAttemptContext;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.FileSplit;
import com.randyho.FetcherOutput;
public class ConverterInputFormat extends FileInputFormat<Text, FetcherOutput> {
// Do not split files.
protected boolean isSplitable(JobContext context, Path file) {
return false;
}
public RecordReader<Text, FetcherOutput> createRecordReader(
InputSplit split, TaskAttemptContext context) throws IOException,
InterruptedException {
return new ConvertertRecordReader();
}
class ConvertertRecordReader extends RecordReader<Text, FetcherOutput> {
private DataInputStream dis;
private Text key = null;
private FetcherOutput value;
private boolean more = true;
private Configuration conf;
public ConvertertRecordReader(){
key = new Text();
value = new FetcherOutput();
more = true;
}
public void close() throws IOException {
if (dis != null) {
dis.close();
}
}
public Text getCurrentKey() throws IOException, InterruptedException {
return key;
}
public FetcherOutput getCurrentValue() throws IOException,
InterruptedException {
return value;
}
public float getProgress() throws IOException, InterruptedException {
return more ? 0f : 100f;
}
public void initialize(InputSplit gensplit, TaskAttemptContext context)
throws IOException, InterruptedException {
FileSplit split = (FileSplit) gensplit;
conf = context.getConfiguration();  
Path file = split.getPath();
FileSystem fs = file.getFileSystem(conf);
System.out.println("reading: " + file);
// open the file
dis = fs.open(split.getPath());
}
public boolean nextKeyValue() throws IOException, InterruptedException {
if (dis.available() != 0) {
value.readFields(dis);
key.set(value.getUrl());        
return true;
} else {
more = false;
return false;
}
}
}
}
 [size=1.4em] 
[size=1.4em]