读取SequenceFile中自定义Writable类型值
1)hadoop允许程序员创建自定义的数据类型,如果是key则必须要继承WritableComparable,因为key要参与排序,而value只需要继承Writable就可以了。以下定义一个DoubleArrayWritable,继承自ArrayWritable。代码如下:
1 package matrix; 2 import org.apache.hadoop.io.*; 3 public class DoubleArrayWritable extends ArrayWritable { 4 public DoubleArrayWritable(){ 5 super(DoubleWritable.class); 6 } 7 public double[] convert2double(DoubleWritable[] w){ 8 double[] value=new double[w.length]; 9 for (int i = 0; i < value.length; i++) { 10 value[i]=Double.valueOf(w[i].get()); 11 } 12 return value; 13 } 14 15 16 } 17 18
2)以下就是读取tansB.txt文件,将其值转化为DoubleArrayWritable存储到SequenceFile中。
1 package convert; 2 3 /** 4 * Created with IntelliJ IDEA. 5 * User: hadoop 6 * Date: 16-1-19 7 * Time: 下午3:09 8 * To change this template use File | Settings | File Templates. 9 */ 10 import java.io.IOException; 11 import java.net.URI; 12 13 import org.apache.hadoop.conf.Configuration; 14 import org.apache.hadoop.fs.FileSystem; 15 import org.apache.hadoop.fs.Path; 16 import org.apache.hadoop.io.DoubleWritable; 17 import org.apache.hadoop.io.IOUtils; 18 import org.apache.hadoop.io.IntWritable; 19 import org.apache.hadoop.io.LongWritable; 20 import org.apache.hadoop.io.SequenceFile; 21 import org.apache.hadoop.io.Text; 22 import org.apache.commons.io.FileUtils; 23 import org.apache.commons.io.LineIterator; 24 25 26 27 //import Jama.Matrix.*; 28 //import java.io.IOException; 29 import java.io.File; 30 31 //import javax.sound.midi.SysexMessage; 32 public class SequenceFileWriteDemo { 33 public static void main(String[] args) throws IOException { 34 String uri ="/home/hadoop/srcData/bDoubleArraySeq"; 35 Configuration conf = new Configuration(); 36 FileSystem fs = FileSystem.get(URI.create(uri), conf); 37 Path path = new Path(uri); 38 IntWritable key = new IntWritable(); 39 DoubleArrayWritable value = new DoubleArrayWritable(); 40 SequenceFile.Writer writer = null; 41 try { 42 writer = SequenceFile.createWriter(fs, conf, path, key.getClass(), 43 value.getClass()); 44 45 46 final LineIterator it2 = FileUtils.lineIterator(new File("/home/hadoop/srcData/transB.txt"), "UTF-8"); 47 try { 48 int i=0; 49 String[] strings; 50 DoubleWritable[] ArrayDoubleWritables; 51 while (it2.hasNext()) { 52 ++i; 53 final String line = it2.nextLine(); 54 key.set(i); 55 strings=line.split("\t"); 56 ArrayDoubleWritables=new DoubleWritable[strings.length]; 57 for (int j = 0; j < ArrayDoubleWritables.length; j++) { 58 ArrayDoubleWritables[j] =new DoubleWritable(Double.valueOf(strings[j])); 59 60 } 61 62 value.set(ArrayDoubleWritables); 63 writer.append(key,value); 64 //System.out.println("ffd"); 65 66 } 67 } finally { 68 it2.close(); 69 } 70 71 }finally { 72 IOUtils.closeStream(writer); 73 } 74 System.out.println("ok"); 75 76 } 77 78 }
3)将Seq文件上传,然后使用命令查看此Seq文件中的内容:
hadoop fs -text /lz/data/transBSeq
结果提示:
java.lang.RuntimeException: java.io.IOException: WritableName can't load class:matrix.DoubleArrayWritable
4)原因是新定义的Double数组属于第三方包,hadoop不能直接识别,需要将其以上DoubleArrayWritable的源码打成jar包,然后将此jar包的路径在Master端的hadoop-env.sh文件中配置,在其中加入第三方类的位置信息,多个jar包用逗号(,)分割:
export HADOOP_CLASSPATH=/home/hadoop/DoubleArrayWritable.jar;
如下所示,将自定义的DoubleArrayWritable和IntArrayWritable加入到Hadoop_classpath路径中,设置hadoop的环境参数值时可以不加双引号“”,多个jar包以逗号分割,如下所示:
5)然后,使用hadoop fs -text /lz/data/transBSeq就可以看到文件的内容了。如下所示:
可以看到,就是把内存中的对象,持久化存储到了文件中(序列化就是实现内存中”活对象“的持久化存储),为什么看不到具体的内容呢(我明明存储的是一个double数组呀)?我们看到的这个convert.DoubleArrayWritable@264b62a2就是内存中对象的序列化之后的结果,再将这个反序列化之后就可以看到你的double数组了。
参考:
6)SequenceFile被称为小文件的容器,主要是用来处理小文件的问题,一般小文件远远小于hadoop物理块的大小,那么分片的时候就会将一个小文件切分为一个单独的分片,而一个分片对应一个mapper,如果有大量的小文件,那么运行mapreduce作业的时候就会启动大量的mapper,增加调度开销,而一个mapper运行时间又很小,因此为了优化小文件的问题,提出了SequenceFile文件格式,这种文件由二进制形式的key-value组成,如果将key设计为文件名称,value为文件内容的话,就将大批小文件合并为一个大文件,SequenceFile也就成了名副其实的小文件容器。(http://www.aliog.com/19501.html,http://dongxicheng.org/mapreduce/hdfs-small-files-solution/)