Java mapreduce解析parquet日志

1.单输入格式

指定输入格式ParquetInputFormat

//指定输入格式
job.setMapperClass(ParquetMap.class);
job.setInputFormatClass(ParquetInputFormat.class);
ParquetInputFormat.addInputPath(job, new Path(args[1]));
ParquetInputFormat.setReadSupportClass(job, CheckLevelRunner.MyReadSupport.class);

//这个提供的是定义读文件的方式
public static final class MyReadSupport extends DelegatingReadSupport {
    public MyReadSupport() {
        super(new GroupReadSupport());
    }

    @Override
    public org.apache.parquet.hadoop.api.ReadSupport.ReadContext init(InitContext context) {
        return super.init(context);
    }
}

//解析parquet的map
static class ParquetMap extends Mapper {
        protected void map(Void key, Group value, Mapper.Context context) {
            try {
                //取key1字段的值
                String md5sha1=value.getString("key1", 0);
                //map输出outputKey、outputValue
                context.write(new Text(outputKey), new Text(outputValue));
            } catch (Exception e) {
                return;
            }
        }
    }

解析Parquet遇到空文件的情况：

此时可以设置mapreduce容错参数：
Mapreduce.map.failures.maxpercent：这个参数表示当Map Task失败比例超过该值，则整个作业失败，默认值为0。在这里设置成5，任务map的数量与输入文件数量一致，因此如果空文件的数量小于5%，任务成功，大于5%，任务失败。

job.getConfiguration().set("mapreduce.map.failures.maxpercent", "5");

2.多输入格式

其中一个目录的文件格式是Text，另一个是Parquet。使用MultipleInputs根据输入源设置多个map来处理数据。

//设置多输入、多mapper
MultipleInputs.addInputPath(job, new Path(path1), TextInputFormat.class, NormalMap.class);
MultipleInputs.addInputPath(job, new Path(path2), ParquetInputFormat.class, ParquetMap.class);
ParquetInputFormat.setReadSupportClass(job, CheckLevelRunner.MyReadSupport.class);

3.mapreduce中调用http接口遇到的问题

将程序部署服务器上，发现会报这个错：
Exception in thread "main" java.lang.NoSuchFieldError: INSTANCE，
调查发现，是因为httpclient有两个版本，自己引入了4的版本，而org.apache.hadoop这个包中包含了httpclient3.1的版本，两个版本冲突，最后去掉了自己引入的版本，使用了hadoop包中3.1的httpclient。

参考文章

https://www.cnblogs.com/EnzoD...
https://blog.csdn.net/woloqun...
https://blog.csdn.net/csdnmrl...