集算器协助java处理多样性数据源之HDFS

    Java通过Hadoop提供的API访问HDFS不算困难，但针对其上文件的计算就比较麻烦。比如分组、过滤、排序等计算，用java来实现都比较复杂。集算器esproc能很好地协助java解决计算问题，同时也封装了HDFS的访问，借助esproc可以让java加强HDFS上文件的计算能力，结构化半结构化数据计算都可以轻松完成。下面我们通过例子来看一下具体作法。

    HDFS中的文本文件employee.gz中保存了员工数据。我们要读取员工信息，从中找出1981年1月1日（含）之后出生的女员工。文本文件在HDFS中以gzip方式压缩，并且无法一次装入内存。

    文本文件empolyee.gz的数据如下：

    EID NAME SURNAME GENDER STATE BIRTHDAY HIREDATE DEPT SALARY
    1 Rebecca Moore F California 1974-11-20 2005-03-11 R&D 7000
    2 Ashley Wilson F New York 1980-07-19 2008-03-16 Finance 11000
    3 Rachel Johnson F New Mexico 1970-12-17 2010-12-01 Sales 9000
    4 Emily Smith F Texas 1985-03-07 2006-08-15 HR 7000
    5 Ashley Smith F Texas 1975-05-13 2004-07-30 R&D 16000
    6 Matthew Johnson M California 1984-07-07 2005-07-07 Sales 11000
    7 Alexis Smith F Illinois 1972-08-16 2002-08-16 Sales 9000
    8 Megan Wilson F California 1979-04-19 1984-04-19 Marketing 11000
    9 Victoria Davis F Texas 1983-12-07 2009-12-07 HR 3000
    10 Ryan Johnson M Pennsylvania 1976-03-12 2006-03-12 R&D 13000
    11 Jacob Moore M Texas 1974-12-16 2004-12-16 Sales 12000
    12 Jessica Davis F New York 1980-09-11 2008-09-11 Sales 7000
    13 Daniel Davis M Florida 1982-05-14 2010-05-14 Finance 10000
    …

    实现的思路是：用Java程序调用集算器脚本，读取和计算数据，之后将结果以ResultSet的方式返回给Java程序。

    首先，要在集算器的集成开发环境中编写和调试程序，准备工作是将Hadoop核心包及配置包复制到“集算器安装目录\esProc\lib”中，如：commons-configuration-1.6.jar、commons-lang-2.4.jar、hadoop-core-1.0.4.jar（Hadoop1.0.4）。

    由于集算器支持动态表达式解析和求值，使得Java程序可以像使用sql那样，灵活的过滤HDFS文件中的数据。例如，我们需要查询1981年1月1日（含）之后出生的女员工，esProc程序可以从外部获得一个输入参数“where”作为条件，如下图：

    where是个字串，取值是：BIRTHDAY>=date(1981,1,1) && GENDER==”F”。

    集算器esProc代码如下：

    A1：定义一个HDFS文件对象游标，第一行是标题，字段分隔符默认是tab。压缩方式由文件后缀决定，这里是gzip格式，集算器也支持其他压缩方式。UTF-8是字符集，缺省使用jvm的字符集。

    A2：按照条件过滤游标。这里使用宏来实现动态解析表达式，其中的where就是传入参数。集算器将先计算${…}里的表达式，将计算结果作为宏字符串值替换${…}之后解释执行。这个例子中最终执行的是：=A1.select(BIRTHDAY>=date(1981,1,1) && GENDER==”F”)。

    A3：返回游标。

    过滤条件发生变化时不用改变代码，只需改变where参数即可。例如，条件变为：查询1981年1月1日（含）之后出生的女员工，或者NAME+SURNAME等于”RebeccaMoore”的员工。Where的参数值可以写为：BIRTHDAY>=date(1981,1,1) && GENDER==”F” || NAME+SURNAME==”RebeccaMoore”。

    在Java程序中使用esProc JDBC调用这段程序获得结果的代码如下：（将上述esProc程序保存为test.dfx，并把HDFS需要的Hadoop的jar包放到java的classpath中）：
    //建立esProc jdbc连接
     Class.forName(“com.esproc.jdbc.InternalDriver”);
     con= DriverManager.getConnection(“jdbc:esproc:local://”);
     //调用esProc 程序（存储过程），其中test是dfx的文件名
     st =(com.esproc.jdbc.InternalCStatement)con.prepareCall(“call test(?)”);
     //设置参数
     st.setObject(1,” BIRTHDAY>=date(1981,1,1) && GENDER==\”F\” ||NAME+SURNAME==\”RebeccaMoore\”");//参数就是动态的过滤条件
     //执行esProc存储过程
     st.execute();
     //获取结果集：符合条件的员工集合
     ResultSet set = st.getResultSet();