Hadoop中文件读写(Java) <转>
前言
在本文档中,你将了解到如何用Java接口读写Hadoop分布式系统中的文件,以及编码的转换等问题。其中有些细节,在你不知道的时候,是非常容易出错的。 这边读写文件分以下三种情况:
- 1. 在非Map Reduce过程中读写分布式文件系统中的文件
比如说,你想自己遍历一个文件,想截断一个文件,都属于这种方式。一般该过程发生在run函数中,程序员处理Map Reduce产生的中间文件上。
- 2. 在map(或reduce)函数中读写一个Record。
对于TextInputFormat,一个Record就是一行。我们会得到一个Text对象,作为一行。要注意的是如果读入的文件不是UTF-8 格式(比如GBK,因为TextInputFormat只能解码UTF-8文件,直接读会产生乱码),我们如何正确转换成Unicode。
- 3. 在map(或reduce)函数中,读写文件
比如说,在map函数中,你想通过读入文件初始化一个HashMap。
非Map Reduce过程中读文件
主要用到FileSystem类,打开一个文件后得到FSDataInputStream,据说这个FSDataInputStream会对数据缓 存,所以没必要包装成一个BufferedReader,但其readLine()方法是被deprecated,所以你要想一行行的读,还是转成 BufferedReader吧。在转换的过程中,还能指定输入文件的编码,比如这边是"UTF-8"。 该读文件的方式无法在map或reduce方法中调用,因为它们处于一个static类中,无法创建一个JobConf。
JobConf confQ = new JobConf(getConf(), XXXX.class); FileSystem fs= FileSystem.get(confQ); FSDataInputStream fin = fs.open(new Path("filePathXX")); BufferedReader in = null; String line; try { in = new BufferedReader(new InputStreamReader(fin, "UTF-8")); while ((line = in.readLine()) != null) { //... } } finally { if (in != null) { in.close(); } }
非Map Reduce过程中写文件
该过程和读文件对应,注意在close之前,调用BufferedWriter的flush()方法,不然有数据会没写出。
JobConf confQ = new JobConf(getConf(), XXXX.class); FileSystem fs= FileSystem.get(confQ); FSDataOutputStream fout = fs.create(new Path("要写入的文件全路径")); BufferedWriter out = null; try { out = new BufferedWriter(new OutputStreamWriter(fout, "UTF-8")); out.write("XXXXXX"); out.newLine(); } out.flush(); } finally { if (out != null) { out.close(); } }
Map或reduce方法中需要读取一个文件的解决方案
对于很大的文件,目前的方案可能是预先把这个文件部署到每个集群节点上。这边讲两种小文件的处理方法。
- 方法一:把文件打包到运行的jar包中(可以放在根目录下),然后用以下方式读取(fileName就是在根目录下要读取的文件名):
BufferedReader in = null; try { InputStream fstream = Thread.currentThread() .getContextClassLoader().getResourceAsStream("fileName"); in = new BufferedReader(new InputStreamReader(new DataInputStream( fstream), "UTF-8")); String line; while ((line = in.readLine()) != null) { //... } } finally { in.close(); }
- 方法二:在Map或Reduce类中,复写public void configure(JobConf jobIn)方法(在基类MapReduceBase中定义)
public void configure(JobConf jobIn) { super.configure(jobIn); try{ FileSystem fs = null; fs = FileSystem.get(jobIn); FSDataInputStream in; BufferedReader bufread; String strLine; String[] strList; IpField ipField; Path IpCityPath = new Path("/user/hadoop/dw/dim/ip_cityid.txt"); if (!fs.exists(IpCityPath)) throw new IOException("Input file not found"); if (!fs.isFile(IpCityPath)) throw new IOException("Input should be a file"); in = fs.open(IpCityPath); bufread = new BufferedReader(new InputStreamReader(in)); while ((strLine = bufread.readLine()) != null) { strList =strLine.split("\""); if(strList.length < 3) continue; IpField nodeIp = new IpField(strList[0], strList[1], strList[2]); CityIpLocal.add(nodeIp); } in.close(); } catch(IOException e) { e.printStackTrace(); } }
CityIpLocal可以是外部类的一个ArrayList对象
map方法中读GBK文件
主要是编码转换的问题,我曾经在这个问题上调试蛮久的。我们输入的文件是GBK编码的,map中,调用Text.toString并不会把编码自动转换成Unicode,但Java中的字符串都是当Unicode来处理的,我们需要手动转换,方式如下:
Text value;//map传入的参数 String line = new String(value.getBytes(), 0, value.getLength(),"GBK");
这边指定的GBK代表读入文件的编码,line返回的是解码成Unicode后的结果。 特别注意的是,这边需要指出value.getBytes()得到的byte数组的起始和长度,(0, value.getLength())。 千万不要这样调用:String line = new String(value.getBytes(),"GBK");这样得到的结果,末尾可能会有多余字串。看来内部是这样实现的:Text对象是被复用 的,共用一个byte数组(也可能是char数组)来存东西,下一次只是从头开始覆写这个数组,到后面如果没写到,那么原来的内容还会在。
引用一段镇方的话
如果以TextInputFormat使用文件作为输入,map的输入value为Text类型,text内部实际维护的是一个byte数组, 从输入文件中直接以byte的形式读入,不会对byte做转义:输入文件中的字节流直接进入text的byte数组。 Text假设内部编码为utf8,调用Text.toString,Text会把内部byte当作utf8处理,如果读入文件的实际编码为gbk 就会产生乱码;此时可以通过 new String(Text.getBytes(), 0, Text.getLength(), "输入文件实际编码")实现 正确转义。 以TextOutputFormat作为输出时,reduce过程会强制以utf8编码输出。但是这一步有一个小triky,Text的输出会 调用它的Text.getBytes方法,而由于Text内部以byte数组形式存储,实际上可以放任意内容。 注意:1. Hadoop的TextInput/TextOutput很系统编码完全无关,是通过代码硬性写入为UTF8的。 2. Text和String对数据的处理是很不一样的
Map Reduce输出结果为GBK文件
这个是竹庄给的解决方法中文问题 基本上就是因为TextOutputFormat把输出编码写死成UTF-8了,自己把这个改掉就可以输出GBK了。
保存成Excel能识别的编码(Unicode)
有的需求,需要用Excel来打开最后生成的文件。现在的方式是用Tab分割字段,这样就能在Excel中显示为不同的栏了。 困难一些的是保存的编码形式。我研究了下,发现本地的Excel文件是用Unicode编码的,于是在Java程序中注明了Unicode,或者UTF- 16,结果还是不行。再看一下,原来需要的是小端的Unicode,而默认UTF-16保存的是大端的,于是改成了UTF-16LE,指定为小端的。结果 还是失败,能用记事本正确打开,却不能用Excel打开。后来研究了下,原来还需要指定字节序的(BOM,Byte Order Mark)。最后写了如下代码搞定(这个方法把UTF-8的文件转成了Unicode的):
private void convertToUnicode(FSDataInputStream convert_in, FSDataOutputStream convert_out,String head) throws IOException { BufferedReader in = null; BufferedWriter out = null; try { in = new BufferedReader(new InputStreamReader(convert_in, "UTF-8")); out = new BufferedWriter(new OutputStreamWriter(convert_out, "UTF-16LE")); out.write("\uFEFF"); out.write(head+"\n"); String line; while ((line = in.readLine()) != null) { out.write(line); out.newLine(); } out.flush(); } finally { if(in!=null) in.close(); if(out!=null) out.close(); } }
这边还有个值得注意的现象,out.write("\uFEFF");我们可以查得,Unicode小端的BOM应该是FFFE,这边为什么反过来 了呢?原因在于Java的字节码顺序是大端的,\uFEFF在内存中表示为FF在前(低地址),FE在后,写出后即为FFFE(用UltraEditor 16进制查看,的确如此)。这边的现象应该和机器的大小端无关的。
posted on 2012-08-17 12:30 要么牛逼,要么滚蛋 阅读(3069) 评论(0) 编辑 收藏 举报