Hadoop on Mac with IntelliJ IDEA - 6 解决KeyValueTextInputFormat读取时只有key值问题

本文讲述使用KeyValueTextInputFormat在Hadoop 0.x正常工作、Hadoop 1.2.1失效的解决过程。

环境：Mac OS X 10.9.5, IntelliJ IDEA 13.1.4, Hadoop 1.2.1

Hadoop放在虚拟机中，宿主机通过SSH连接，IDE和数据文件在宿主机。IDEA自身运行于JDK 1.8，IDEA工程及Hadoop使用JDK 1.6。

还在折腾Hadoop In Action第4章的代码，书的写法，如下所示。

job.setInputFormat(KeyValueTextInputFormat.class);
job.set("key.value.separator.in.input.line", ",");

在hadoop 1.2.1上运行正常。但是，我强迫症又发作了，想把代码改成符合hadoop 1.2.1的范式，如下所示。

configuration.set("key.value.separator.in.input.line", ",");
Job job = new Job(configuration, "Patent Job");
job.setInputFormatClass(KeyValueTextInputFormat.class);

运行时，从日志上看，数据没按预期切割，而是将整行作为key值，即是设置的分隔符失效，此为无制表符时默认操作的结果，如下图所示。

数据源如下图所示

按如下方式修改^[1]，则结果正常。

// 原语句
configuration.set("key.value.separator.in.input.line", ",");
// 改成
configuration.set("mapreduce.input.keyvaluelinerecordreader.key.value.separator",",");

Hadoop 1.x之后，Job和Configuration之间的职责有了更清晰的划分。以上语句可工作的原因是，当设置job的InputFormatClass值为KeyValueTextInputFormatj时，从源码可看到

public RecordReader<Text, Text> createRecordReader(InputSplit genericSplit,
  TaskAttemptContext context) throws IOException {
    context.setStatus(genericSplit.toString());
    return new KeyValueLineRecordReader(context.getConfiguration());
}

即，返回一个KeyValueLineRecordReader读取输入数据的行记录，在其源码，可看到KEY_VALUE_SEPERATOR字段。

public static final String KEY_VALUE_SEPERATOR = 
    "mapreduce.input.keyvaluelinerecordreader.key.value.separator";

在其构造函数中，可看到读取语句

public KeyValueLineRecordReader(Configuration conf)
    throws IOException {
        lineRecordReader = new LineRecordReader();
        String sepStr = conf.get(KEY_VALUE_SEPERATOR, "\t");
        this.separator = (byte) sepStr.charAt(0);
}

可见，默认值分隔符为\t。

Configuration类加载hadoop-site.xml、core-default.xml、core-site.xml等配置文件。

参考

[1]http://stackoverflow.com/questions/12540145/hadoop-use-keyvaluetextinputformat