MapReduce多路径输入与多文件输出

我前段时间在完成一个公司业务时，遇到了一个这样的需求：将HDFS上按每天每小时存储的数据进行数据预处理，然后对应按天存储在HDFS........由此可得，MapReduce的输入路径是：

/user/data/yyyy/MM/dd/HH/

每天有24小时，dd/目录下有24个目录，然后，对这24个目录下的数据预处理，最后输出到dd/目录：

/user/out/yyyy/MM/dd/

在设计代码的时候，发现FileInputFormat.addInputPath()难堪此大任，于是，我就通过APIs等资料，找到了FileInputFormat.setInputPaths()的解决方案。不过，我将在下面对MapReduce的输入/输出进行总结和介绍。

1.MapReduce多路径输入

1.1FileInputFormat.addInputPath(s)

FileInputFormat.addInputPath()是我们最常用的设置MapReduce输入路径的方法了。其实，FileInputFormat有两个这样的方法：

static void addInputPath(Job job, Path path)

static void addInputPaths(Job job, String commaSeperatedPaths)

addInputPath()只能指定一个路径，如果要想添加多个路径需要多次调用该方法：

FileInputFormat.addInputPath(job, new Path(args[0]));
FileInputFormat.addInputPath(job, new Path(args[1]));
FileInputFormat.addInputPath(job, new Path(args[2]));

addInputPaths()可以指定多条路径，而这多条路径是用“,”分隔的一个字符串：

String paths = strings[0] + "," + strings[1];
FileInputFormat.addInputPaths(job, paths);

这两种方法的缺陷：

1. 路径必须是指向目的文件的，如：/user/yyyy/mm/dd，而文件实际存在/user/yyyy/mm/dd/00，/user/yyyy/mm/dd/01。
2. 路径中的目录不能存在通配符，如：/user/yyyy/mm/dd/*/。（我在2个节点的虚拟机上是用小数据可行的，但是在公司的大集群用大数据是不可行的，所以建议不要用通配符）。
3. 目的文件的文件格式和类型必须一样，如：文件类型有CSV，RCFile。
4. 所有文件都通过一个Mapper进行处理。
5. 文件路径过多，代码冗余增加。

1.2MultipleInputs.addInputPath

MultipleInputs的addInputPath有两种定义方式：

static void addInputPath(Job job, Path path, Class inputFormatClass)

static void addInputPath(Job job, Path path, Class inputFormatClass, Class mapperClass)

前者不需要指定Mapper，所以所有文件都通过一个Mapper进行处理；

MultipleInputs.addInputPath(job, new Path(args[0]), TextInputFormat.class);
MultipleInputs.addInputPath(job, new Path(args[1]), TextInputFormat.class);

后者可以对不同的路径指定不同的Mapper，故可以指定不同Mapper处理不同类型的文件。

MultipleInputs.addInputPath(job, new Path(args[0]), TextInputFormat.class,
                MultiPathMR.MultiMap1.class);
MultipleInputs.addInputPath(job, new Path(args[1]), TextInputFormat.class,
                MultiPathMR.MultiMap2.class);

这两种方法的缺陷：

1. 路径必须是指向目的文件的，如：/user/yyyy/mm/dd，而文件实际存在/user/yyyy/mm/dd/00，/user/yyyy/mm/dd/01。
2. 文件路径过多，代码冗余增加。

优势：

1. 可以处理不同类型或不同格式的文件，如：CSV，RCFile。
2. 路径中的目录能存在通配符，如：/user/yyyy/mm/dd/*/。
3. 可以指定不同的Mapper处理不同路径下的文件。

3.1.3 FileInputFormat.setInputPaths

FileInputFormat有三个设置路径的方法：

static void setInputPathFilter(Job job, Class filter)

static void setInputPaths(Job job, Path... inputPaths)

static void setInputPaths(Job job, String commaSeparatedPaths)

这三个方法功能特别强大，可以匹配路径上的通配符：

通配符	描述
*	匹配0个或多个字符
?	匹配单个字符
[ab]	匹配集合{a, b}中的单个字符
[^ab]	匹配不在集合{a, b}中的单个字符
[a-b]	匹配闭区间[a, b]中的单个字符，其顺序按字典字母排序
[^a-b]	匹配不在闭区间[a, b]中的单个字符
{a, b}	匹配a表达式或b表达式
\c	匹配元字符c

所以，当读路径/user/yyyy/mm/dd下所有目录的文件是可以简单的写成：

/user/yyyy/mm/dd/*/

因为第二个参数是Path... args，代表可以穿0个，1个或多个参数（数组）；

FileInputFormat.setInputPaths(job, new Path(strings[0]));

也可以像这样：

Path[] paths = {new Path(strings[0]), new Path(strings[1])};
FileInputFormat.setInputPaths(job, paths);

对于第三个方法的使用：

String paths = strings[0] + "," + strings[1];
FileInputFormat.setInputPaths(job, paths);

这三种方法的缺陷：

1. 目的文件的文件格式和类型必须一样，如：文件类型有CSV，RCFile。
2. 所有文件都通过一个Mapper进行处理。

优势：

1. 路径必须是指向目的文件的，如：/user/yyyy/mm/dd，而文件实际存在/user/yyyy/mm/dd/00，/user/yyyy/mm/dd/01。
2. 路径中的目录能存在通配符，如：/user/yyyy/mm/dd/*/。
3. 由于能使用通配符，所以即使路径过多，也不至于是代码冗余太多。

2多文件输出

MapReduce可以定义多文件输出，但是不能定义多目录输出。提供这种功能的是MultipleOutputs类。MultipleOutputs有三个write()方法：

void write(KEYOUT key, VALUEOUT value, String baseOutputPath)

 void write(String namedOutput, K key, V value)

 void write(String namedOutput, K key, V value, String baseOutputPath)

在用后两个方法时，需要在调用FileOutputFormat. setOutputPath(job, new Path(args[1]))之前，先用addNamedOutput()方法定义namedOutput：
MultipleOutputs.addNamedOutput(job, namedOutput, TextOutputFormat.class,Text.class, LongWritable.class);
下面是一个WordCount的简单示例，输入文件是：

hello,world
hello,hadoop
hello,spark

MR代码：

public class MultiOutMR {

    public static class MultiOutMapper extends Mapper {

        private Text outKey = new Text();
        private IntWritable outValue = new IntWritable(1);
        @Override
        protected void map(Object key, Text value, Context context) throws IOException, InterruptedException {
            String[] line = value.toString().trim().split(",");
            for(String word : line){
                outKey.set(word);
                context.write(outKey, outValue);
            }
        }
    }

    public static class MultiOutReducer extends Reducer {

        private LongWritable count = new LongWritable();
        private MultipleOutputs outputs;

        @Override
        protected void setup(Context context) throws IOException, InterruptedException {
            outputs = new MultipleOutputs(context);
        }

        @Override
        protected void reduce(Text key, Iterable values, Context context) throws IOException, InterruptedException {
            int sum = 0;
            for(IntWritable value : values){
                sum += value.get();
            }
            count.set(sum);

            Configuration conf = context.getConfiguration();
            String type = conf.get("type");
            if(type.equalsIgnoreCase("namedOutput")) {
                if(key.toString().equals("hello")) {
                    outputs.write("hello", key, count);
                }
                else {
                    outputs.write("IT", key, count);
                }
            }
            else if(type.equalsIgnoreCase("baseOutputPath")){
                outputs.write(key, count, key.toString());
            }
            else {
                if(key.toString().equals("hello")) {
                    outputs.write("hello", key, count, key.toString());
                }
                else {
                    outputs.write("IT", key, count, key.toString());
                }
            }
        }

        @Override
        protected void cleanup(Context context) throws IOException, InterruptedException {
            outputs.close();
        }
    }
}

Driver代码：

public class Driver extends Configured implements Tool {
    @Override
    public int run(String[] strings) throws Exception {
        Configuration conf = getConf();
        conf.set("type", strings[2]);

        Job job = new Job(conf, "Multiple Output");
        job.setJarByClass(Driver.class);
        job.setMapperClass(MultiOutMR.MultiOutMapper.class);
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);
        job.setReducerClass(MultiOutMR.MultiOutReducer.class);

        if(!strings[2].equalsIgnoreCase("baseOutputPath")){
            MultipleOutputs.addNamedOutput(job, "hello", TextOutputFormat.class,
                    Text.class, LongWritable.class);
            MultipleOutputs.addNamedOutput(job, "IT", TextOutputFormat.class,
                    Text.class, LongWritable.class);
        }

        FileInputFormat.addInputPath(job, new Path(strings[0]));
        FileOutputFormat.setOutputPath(job, new Path(strings[1]));

        return job.waitForCompletion(true) ? 0 : 1;
    }

    public static void main(String[] args)throws Exception{
        Configuration conf = new Configuration();
        String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
        if(otherArgs.length != 3){
            System.err.println("Usage:   
");
            System.out.println("Type:\n" +
                    "namedOutput - the named output name.\n" +
                    "baseOutputPath - base-output path to write the record to. Note: Framework will generate unique filename for the baseOutputPath.\n" +
                    "all - contains namedOutput and baseOutputPath.");
            System.exit(1);
        }

        System.exit(ToolRunner.run(conf, new Driver(), otherArgs));
    }
}

参考文献：

http://blog.zaloni.com/using-globs-and-wildcards-with-mapreduce