我有一个巨大的文本文件，我想拆分文件，使每个 block 有 5 行。我实现了自己的 GWASInputFormat 和 GWASRecordReader 类。但是我的问题是，在下面的代码(我从 http://bigdatacircus.com/2012/08/01/wordcount-with-custom-record-reader-of-textinputformat/ 复制的)中，在 initialize() 方法中我有以下几行

FileSplit split = (FileSplit) genericSplit;
final Path file = split.getPath();
Configuration conf = context.getConfiguration();

我的问题是，在我的 GWASRecordReader 类中调用 initialize() 方法时文件是否已经拆分？我以为我是在 GWASRecordReader 类中做的(拆分)。如果我的思维过程就在这里，请告诉我。

package com.test;

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.InputSplit;
import org.apache.hadoop.mapreduce.RecordReader;
import org.apache.hadoop.mapreduce.TaskAttemptContext;
import org.apache.hadoop.mapreduce.lib.input.FileSplit;
import org.apache.hadoop.util.LineReader;

public class GWASRecordReader extends RecordReader<LongWritable, Text> {

private final int NLINESTOPROCESS = 5;
private LineReader in;
private LongWritable key;
private Text value = new Text();
private long start = 0;
private long pos = 0;
private long end = 0;
private int maxLineLength;

public void close() throws IOException {
    if(in != null) {
        in.close();
    }
}

public LongWritable getCurrentKey() throws IOException, InterruptedException {
    return key;
}

public Text getCurrentValue() throws IOException, InterruptedException {
    return value;
}

public float getProgress() throws IOException, InterruptedException {
    if(start == end) {
        return 0.0f;
    }
    else {
        return Math.min(1.0f, (pos - start)/(float) (end - start));
    }
}

public void initialize(InputSplit genericSplit, TaskAttemptContext context) throws IOException {
    FileSplit split = (FileSplit) genericSplit;
    final Path file = split.getPath();
    Configuration conf = context.getConfiguration();
    this.maxLineLength = conf.getInt("mapred.linerecordreader.maxlength",Integer.MAX_VALUE);
    FileSystem fs = file.getFileSystem(conf);
    start = split.getStart();
    end = start + split.getLength();
    System.out.println("---------------SPLIT LENGTH---------------------" + split.getLength());
    boolean skipFirstLine = false;
    FSDataInputStream filein = fs.open(split.getPath());

    if(start != 0) {
        skipFirstLine = true;
        --start;
        filein.seek(start);
    }

    in = new LineReader(filein, conf);
    if(skipFirstLine) {
        start += in.readLine(new Text(),0,(int)Math.min((long)Integer.MAX_VALUE, end - start));
    }
    this.pos = start;
}

public boolean nextKeyValue() throws IOException, InterruptedException {
    if (key == null) {
        key = new LongWritable();
    }

    key.set(pos);

    if (value == null) {
        value = new Text();
    }
    value.clear();
    final Text endline = new Text("\n");
    int newSize = 0;
    for(int i=0; i<NLINESTOPROCESS;i++) {
        Text v = new Text();
        while( pos < end) {
            newSize = in.readLine(v ,maxLineLength, Math.max((int)Math.min(Integer.MAX_VALUE, end - pos), maxLineLength));
            value.append(v.getBytes(), 0, v.getLength());
            value.append(endline.getBytes(),0,endline.getLength());
            if(newSize == 0) {
                break;
            }
            pos += newSize;
            if(newSize < maxLineLength) {
                break;
            }
        }
    }

    if(newSize == 0) {
        key = null;
        value = null;
        return false;
    } else {
        return true;
    }
}
}

最佳答案

是的，输入文件已经被分割了。它基本上是这样的:

您的输入文件 -> InputSplit -> RecordReader -> Mapper...

基本上，InputSplit 将输入分成 block ，RecordReader 将这些 block 分成键/值对。请注意，InputSplit 和 RecordReader 将由您使用的 InputFormat 决定。例如，TextInputFormat 使用 FileSplit 来分解输入，然后使用 LineRecordReader 以位置为键处理每一行，然后将行本身作为值(value)。 因此，在您的 GWASInputFormat 中，您需要查看您使用哪种类型的 FileSplit 以查看它传递给 GWASRecordReader 的内容。

我建议查看 NLineInputFormat其中“将 N 行输入拆分为一个拆分”。它可能能够完全按照您自己的意愿进行操作。

如果您尝试一次获取 5 行作为值，并将第一行的行号作为键，我会说您可以使用自定义的 NLineInputFormat 和自定义的LineRecordReader。我认为您不必担心输入拆分，因为输入格式可以将其拆分为这 5 行 block 。您的 RecordReader 与 LineRecordReader 非常相似，但您获取的不是 block 开头的字节位置，而是行号。因此，除了这个小改动外，代码几乎完全相同。因此，您基本上可以复制并粘贴 NLineInputFormat 和 LineRecordReader，然后让输入格式使用获取行号的记录阅读器。代码将非常相似。

关于java - Hadoop Mapreduce 自定义拆分/自定义记录读取器，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/13346225/