使用JAVA API 解析ORC File

使用JAVA API 解析ORC File

orc File 的解析过程中，使用FileInputFormat的getSplits(conf, 1)函数，
然后使用 RecordReaderreader = in.getRecordReader(splits[0], conf, Reporter.NULL);
解析ORCfile， 发现当ORC 文件的比较大的时候，超过256M时，不能读取所有的数据。
比如一个ORC 文件有300M，共有180万的条数据，使用上面的方法只能读取出110万的数据，剩下70万的数据读取不出。
使用的读取示例源码如下：

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.hive.ql.io.orc.*;
import org.apache.hadoop.hive.ql.io.orc.RecordReader;
import org.apache.hadoop.hive.serde2.SerDeException;
import org.apache.hadoop.hive.serde2.objectinspector.StructField;
import org.apache.hadoop.hive.serde2.objectinspector.StructObjectInspector;
import org.apache.hadoop.mapred.*;
import org.apache.orc.TypeDescription;

import java.io.IOException;
import java.util.ArrayList;
import java.util.List;
import java.util.Properties;

    public void readOrcFile(String fileName) throws SerDeException, IOException {
        JobConf conf = new JobConf(hadoopConf);
        Path orcFilePath = new Path(fileName);
        StringBuilder allColumns = new StringBuilder();
        StringBuilder allColumnTypes = new StringBuilder();
        Properties p = new Properties();
        p.setProperty("columns", "url,word,freq,weight");
        p.setProperty("columns.types", "string:string:string:string");
        OrcSerde serde = new OrcSerde();
        serde.initialize(conf, p);
        StructObjectInspector inspector = (StructObjectInspector) serde.getObjectInspector();
        OrcInputFormat in = new OrcInputFormat();
        FileInputFormat.setInputPaths(conf, orcFilePath);
        InputSplit[] splits = in.getSplits(conf, 1);
        System.out.println("splits.length==" + splits.length);
        RecordReader reader = in.getRecordReader(splits[0], conf, Reporter.NULL);
		
        Long count = 0 L;
        while (reader.next(key, value)) {
             count ++;
        }
        reader.close();
    }

org.apache.hadoop.mapred.InputFormat接口的getSplits方法定义如下：

InputSplit[] getSplits(JobConf job,
                       int numSplits)
                       throws IOException

其中numSplits参数的含义时期望得到分片数， 如上的例子中，期望输入文件的分片为1个，如果ORC文件有多个分片则会被合并成一个分片。但是hdfs的中设置的一个分片最大为256M，所以合并成1个分片就会少300-256=44M的数据，造成了上面的问题。

如果 numSplits 参数的值设置为小于0的负数，则会按照ORC File的正常的 stripe个数生成split。
InputSplit[] splits = in.getSplits(conf, -1) 得到的 splits 个数是6个，6个splits中记录数是预期
中的180条。

(二)使用 org.apache.hadoop.hive.ql.io.orc.Reader 类读取ORC文件

可以通过reader.getSchema(); // 获取ORC文件的schema文件。

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.hive.ql.io.orc.*;
import org.apache.hadoop.hive.ql.io.orc.RecordReader;
import org.apache.hadoop.hive.serde2.SerDeException;
import org.apache.hadoop.hive.serde2.objectinspector.StructField;
import org.apache.hadoop.hive.serde2.objectinspector.StructObjectInspector;
import org.apache.hadoop.mapred.*;
import org.apache.orc.TypeDescription;

import java.io.IOException;
import java.util.ArrayList;
import java.util.List;
import java.util.Properties;

    public void readOrc(String INPUT) throws IOException {
        Configuration conf = new Configuration();
        Path file_in = new Path(INPUT);
        Reader reader = OrcFile.createReader(FileSystem.getLocal(conf), file_in);

        TypeDescription schema = reader.getSchema();  // 获取ORC文件的schema文件
        System.out.println(schema.toJson());
        System.out.println(schema.toString());
        System.out.println("--------------------------------");

        StructObjectInspector inspector = (StructObjectInspector) reader.getObjectInspector();
        RecordReader records = reader.rows();
        Object row = null;
        Long count = 0L;
        while (records.hasNext()) {
            row = records.next(row);
      //    System.out.println(row.toString());
            count++;
            List value_lst = inspector.getStructFieldsDataAsList(row);
        }
        System.out.println("--------total line=" + count);
    }