Hadoop多路径输入输出

待我称王封你为后i 2023-01-18 11:19 222阅读 0赞

## 1. 需求描述 ##

> 当我们得意于 MapReduce 从一个数据输入目录，把数据经过程序处理之后输出到另一个目录时。可能你正在错过一些更好的方案，因为 MapReduce 是支持多路径的输入与输出的。比如，你一个项目中的多个 Job 产生了多个输出路径，后面又需要另一个 Job 去处理这些不路径下的数据。你要怎么办？暂停程序后，手动处理？

## 2. 设计思路 ##

写了这么多的 MapReudce 的程序，我想你一定已经了解了 MapReduce 是如何将输入的数据加载到程序中进行计算的了。一般情况下，我们是通过 FileInputFormat 类的 addInputPath 方法。看到这个 add 关键字，就可能产生很多联想，事实上这种联想是正确的。我们的确可以使用多个目录共同输入数据，并且还不止一种方式。

## 3. 关键技术点解析 ##

*  **方式一：**  
    可以多添加几个输入目录，只要按照之前添加一个目录的方式，继续添加就 ok了。就像下面这样：

FileInputFormat.addInputPath(job, new Path(inputPath_1));
    FileInputFormat.addInputPath(job, new Path(inputPath_2));
    FileInputFormat.addInputPath(job, new Path(inputPath_3));

*  **方式二**  
    如果你嫌上面的代码太多了，你还有另外一种选择：

FileInputFormat.addInputPaths(job, String.join(",", inputPath_1, inputPath_2, inputPath_3));

通过上面的代码，你可以一次性全部加载这些不同的目录，很方便。

当我们打开 FileInputFormat.addInputPaths() 的源码，看到 addInputPaths() 的代码：

/** * Add the given comma separated paths to the list of inputs for * the map-reduce job. * * @param job The job to modify * @param commaSeparatedPaths Comma separated paths to be added to * the list of inputs for the map-reduce job. */
    public static void addInputPaths(Job job, String commaSeparatedPaths) throws IOException { 
        for (String str : getPathStrings(commaSeparatedPaths)) { 
            addInputPath(job, new Path(str));
        }
    }

这里看似方便的 FileInputFormat.addInputPaths()，其实只是 Hadoop 给我们这些懒惰的开发者的进一层封装罢了。

*  **方式三**  
    这种方式有一些特殊，也是笔者推荐你去使用的一种方式。你可以先看代码感受一下。

private void setInputPathMothed3(Job job) throws IOException { 
        MultipleInputs.addInputPath(job, new Path(inputPath_1), TextInputFormat.class, CoreComputer.CoreMapper.class);
        MultipleInputs.addInputPath(job, new Path(inputPath_2), TextInputFormat.class, CoreComputer.CoreMapper.class);
        MultipleInputs.addInputPath(job, new Path(inputPath_3), TextInputFormat.class, CoreComputer.CoreMapper.class);
    }

上面的代码中使用一个新的类 MultipleInputs。从类的命名上就可以看到这是一个专门处理多路径输入问题的。在上面的代码中，我们看到 MultipleInputs.addInputPath() 多了两个不同的参数。进入源码可以看到他们分别是输入数据的格式，以及数据处理的 Mapper。

其实这两个参数是可以让你通过更加灵活的方式来处理数据。inputFormatClass 是可以让你输入不同类型的数据，mapperClass 是可以让你使用不同的 Mapper 来处理不同的数据。正因为这种可选择性，你的程序就更加的灵活了。不过上面的代码中，笔者并没有采用不同的 Mapper，如果读者感兴趣，可以尝试一下。

**提示**

> 看到这里，你可能会有疑惑，难道在 Mapper 和 Reducer 里面就不用设置了么？是的，我们不需要调整 Mapper 和 Reducer 的核心代码就可以实现多路径输入。

## 4. 多路径输出 ##

多路径的输出没有多路径输入那么多可选择的方案，且在多路径输出中，需要编写的代码量也比多路径输入要多一些。其中还包括了对 Reducer 的修改。

详情请参考下面的代码

public static class CoreReducer extends Reducer<Text, IntWritable, Text, IntWritable> { 
    
        private MultipleOutputs<Text, IntWritable> multipleOutputs = null;
    
        @Override
        protected void setup(Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException { 
    // 在数据处理前，创建一个多路输出器
            multipleOutputs = new MultipleOutputs<Text, IntWritable>(context);
        }
    
        @Override
        protected void reduce(Text key, Iterable<IntWritable> values,
                Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException { 
            ( ... 省略无关的 N 行 ... )
                // 根据数据的不同值，将数据用多路输出器输出到不同的路径下
               multipleOutputs.write(splitKeys[1], new Text(splitKeys[0]), count);
        }
    
        @Override
        protected void cleanup(Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException { 
                // 记得在数据处理完后，关闭多路输出器
                multipleOutputs.close();
        }
    }

上面的代码中，setup() 与 cleanup() 模块只是对 MultipleOutputs 的初始化与关闭操作，需要说明的地方不多。主要有以下两点：

将 MultipleOutputs 的初始化放在 setup() 中，因为在 setup() 只会被调用一次，如果放在 reduce() 中，则 MultipleOutputs 可能被 reduce 方法初始化 N 次，而你全然不知；  
你需要在 cleanup() 方法中关闭 MultipleOutputs。通过源码我们了解到，关闭 MultipleOutputs，也就是关闭 RecordWriter，并且是一堆 RecordWriter。  
源码中的代码片段可供参考：

/** * Closes all the opened outputs. * * This should be called from cleanup method of map/reduce task. * If overridden subclasses must invoke <code>super.close()</code> at the * end of their <code>close()</code> * */
    @SuppressWarnings("unchecked")
    public void close() throws IOException, InterruptedException { 
            for (RecordWriter writer : recordWriters.values()) { 
                writer.close(context);
            }
    }

还有一个需要读者重点关注的，那就是 reduce()方法里，需要把以前的 context.write() 替换成multipleOutputs.write()。

job提交客户端的代码修改：

客户端调用方面，只需要在代码

FileOutputFormat.setOutputPath(job, new Path(outputPath));

之前添加多路径的设置即可。

示例代码如下：

public class ComputerClient { 
    
        public static void main(String[] args) throws Exception { 
            ( ... 省略无关的 N 行 ... )
        }
    
        private void execute() throws Exception { 
            runFirstJob();
        }
    
        private int runFirstJob() throws Exception { 
            ( ... 省略无关的 N 行 ... )        
            addNamedOutput(job);
            FileOutputFormat.setOutputPath(job, new Path(outputPath));
            return job.waitForCompletion(true) ? 0 : 1;
        }
    
        private void addNamedOutput(Job job) { 
            addNamedOutput(job, "android");
            addNamedOutput(job, "hadoop");
            addNamedOutput(job, "ios");
            addNamedOutput(job, "java");
            addNamedOutput(job, "python");
        }
    
        private void addNamedOutput(Job job, String pathName) { 
            MultipleOutputs.addNamedOutput(job, pathName, TextOutputFormat.class, Text.class, IntWritable.class);
        }
    }