No Reply , Posted in
Hadoop on December 2, 2012
在Hadoop中,InputFormat类用来生成可供Mapper处理的<key, value>键值对。当数据传送给Mapper时,Mapper会将输入分片传送到InputFormat上,InputFormat调用getRecordReader()方法生成RecordReader,RecordReader再创建可供map函数处理的键值对<K1, V1>。
Hadoop预定义了多种方法将不同类型的输入数据转化为map能够处理的键值对。比如,TextInputFormat,Hadoop中默认的输入方法,会将每行数据生成一条记录,其中key值为每条记录在分片中的字节偏移量,value则为每行的内容。
在Hadoop预定义的InputFormat中,并没有处理CSV文件的方法。CSV文件的本质其实是用逗号分隔开的文本文件。一种很直观的处理方法是:将CSV文件作为文本文件处理,使用TextInputFormat将文件按行传入map函数,在map函数中再按照CSV文件的格式进行处理。但这样很容易将数据格式的处理逻辑与业务处理逻辑混淆在一起,并且出现很多copy-and-pasted的代码。
实际上,可以写一个自己的InputFormat以及RecordReader类,专门用来处理CSV文件的输入,直接传递给map函数解析后的数据。
1 数据结构
我们传递给map函数一个ArrayWritable(A Writable for arrays containing instances of a class),元素类型为Text,即CSV文件每一行各个字段的数据。数据结构如下:
代码1:TextArrayWritable.java
- public class TextArrayWritable extends ArrayWritable {
- public TextArrayWritable() {
- super(Text.class);
- }
- public TextArrayWritable(Text[] strings) {
- super(Text.class, strings);
- }
- }
2 CSVInputFormat
FileInputFormat是所有使用文件作为其数据源的InputFormat实现的基类。它提供了两个功能:一是定义哪些文件包含在一个作业的输入中,另一个是为输入文件生成分片(Input Splits)。而把分片分割成记录的事情交由其子类来完成。所以CSVInputFormat类的实现上,同样是继承InputFormat类,并只需要简单的重写createRecordReader和isSplitable即可。
代码2:CSVInputFormat.java
- public class CSVInputFormat
- extends FileInputFormat<LongWritable, TextArrayWritable>{
- public static final String CSV_TOKEN_SEPARATOR_CONFIG
- = "csvinputformat.token.delimiter";
-
- @Override
- protected boolean isSplitable(JobContext context, Path filename) {
- CompressionCodec codec =
- new CompressionCodecFactory(context.getConfiguration())
- .getCodec(filename);
- return codec == null;
- }
- @Override
- public RecordReader<LongWritable, TextArrayWritable> createRecordReader(
- InputSplit split, TaskAttemptContext context)
- throws IOException, InterruptedException {
- String csvDelimiter = context.getConfiguration()
- .get(CSV_TOKEN_SEPARATOR_CONFIG);
- Character separator = null;
- if (csvDelimiter != null && csvDelimiter.length() == 1) {
- separator = csvDelimiter.charAt(0);
- }
- return new CSVRecordReader(separator);
- }
- }
其中csvinputformat.token.delimiter是可在配置文件中配置的CSV输入文件分隔符,createRecordReader完成的工作只是从配置文件中得到分隔符,调用真正对CSV文件分片进行处理,并生成键值对的CSVRecordReader函数,并返回RecordReader对象。
3CSVRecordReader
对于CSVRecordReader,要实现的功能无非就是将CSV文件中每一行的各字段提取出来,并将各字段作为TextArrayWritable类型的数据结构传递给map函数。
在Hadoop中有一个LineRecordReader类,它将文本文件每一行的内容作为值返回,类型为Text。所以可以直接在CSVRecordReader中使用LineRecordReader,将LineRecordReader返回的每一行再次进行处理。在CSV文件的处理上,这里用到了OpenCSV对CSV文件的每一行进行解析,具体可参见这里。
下面是CSVRecordReader的实现代码。除了CSV文件的解析、nextKeyValue()方法和getCurrentValue()方法外,大部分方法都直接调用LineRecordReader实例的相应方法。毕竟我们是踩在巨人的肩膀上继续前进嘛。O(∩_∩)O~
代码3:CSVRecordReader.java
- public class CSVRecordReader
- extends RecordReader<LongWritable, TextArrayWritable> {
- private LineRecordReader lineReader;
- private TextArrayWritable value;
- private CSVParser parser;
-
- // 新建CSVParser实例,用来解析每一行CSV文件的每一行
- public CSVRecordReader(Character delimiter) {
- this.lineReader = new LineRecordReader();
- if (delimiter == null) {
- this.parser = new CSVParser();
- }
- else {
- this.parser = new CSVParser(delimiter);
- }
- }
-
- // 调用LineRecordReader的初始化方法,寻找分片的开始位置
- @Override
- public void initialize(InputSplit split, TaskAttemptContext context)
- throws IOException, InterruptedException {
- lineReader.initialize(split, context);
- }
- // 使用LineRecordReader来得到下一条记录(即下一行)。
- // 如果到了分片(Input Split)的尾部,nextKeyValue将返回NULL
- @Override
- public boolean nextKeyValue()
- throws IOException, InterruptedException {
- if (lineReader.nextKeyValue()) {
- //如果有新记录,则进行处理
- loadCSV();
- return true;
- }
- else {
- value = null;
- return false;
- }
- }
- @Override
- public LongWritable getCurrentKey() throws IOException,
- InterruptedException {
- return lineReader.getCurrentKey();
- }
- @Override
- public TextArrayWritable getCurrentValue() throws IOException,
- InterruptedException {
- return value;
- }
- @Override
- public float getProgress() throws IOException, InterruptedException {
- return lineReader.getProgress();
- }
- @Override
- public void close() throws IOException {
- lineReader.close();
- }
- // 对CSV文件的每一行进行处理
- private void loadCSV() throws IOException {
- String line = lineReader.getCurrentValue().toString();
- // 通过OpenCSV将解析每一行的各字段
- String[] tokens = parser.parseLine(line);
- value = new TextArrayWritable(convert(tokens));
- }
-
- // 将字符串数组批量处理为Text数组
- private Text[] convert(String[] tokens) {
- Text[] t = new Text[tokens.length];
- for (int i = 0; i < t.length; i++) {
- t[i] = new Text(tokens[i]);
- }
- return t;
- }
- }
4简单的应用
用于处理CSV文件输入的InputFormat已经写完了,现在构造一个简单的应用场景,来试验下这个CSVInputFormat。
假设有这样一些数据,每一列第一个字段为一个标识,后面为随机产生的数字,标识各不相同,求每一行标识后的数字之和并输出,输出格式为:每一行为标识和数字和。
由于标识没有重复,并且逻辑比较简单,这里只写一个Mapper即可,不需要Reducer。
代码4:CSVMapper.java
- public class CSVMapper
- extends Mapper<LongWritable, TextArrayWritable, Text, IntWritable> {
- @Override
- protected void map(LongWritable key, TextArrayWritable value, Context context)
- throws IOException, InterruptedException {
- String[] values = value.toStrings();
- int sum = 0;
- Text resultKey = new Text(values[0]);
- for (int i = 1; i < values.length; i++) {
- sum = sum + Integer.valueOf(values[i].trim());
- }
- IntWritable resultValue = new IntWritable(sum);
- context.write(resultKey, resultValue);
- }
- }
在作业的提交部分,由于没有Reducer,所以将ReduceTask设置为了0
代码5:JustRun.java
- public class JustRun extends Configured implements Tool{
- @Override
- public int run(String[] args) throws Exception {
- Configuration conf = new Configuration();
-
- Job job = new Job(conf);
- job.setJobName("CSVTest");
- job.setJarByClass(JustRun.class);
-
- job.setMapperClass(CSVMapper.class);
-
- job.setOutputKeyClass(Text.class);
- job.setOutputValueClass(IntWritable.class);
- job.setInputFormatClass(CSVInputFormat.class);
-
- job.setNumReduceTasks(0);
- FileInputFormat.setInputPaths(job, new Path(args[0]));
- FileOutputFormat.setOutputPath(job, new Path(args[1]));
- return job.waitForCompletion(true) 0 : 1;
- }
- public static void main(String[] args) throws Exception {
- int ret = ToolRunner.run(new JustRun(), args);
- System.exit(ret);
- }
- }
执行完毕后,输出如下,跟预想是一致的。
好了,这就是利用InputFormat对CSV文件的处理过程。除了CSV文件,还可根据处理数据的类型,写出更多的InputFormat。同时,我们还可以利用OutputFormat输出需要的格式。
转自
http://bukp.me/hadoop/work-with-csv-input-file-in-hadoop.html