Hadoop-2.2.0使用lzo压缩文件作为输入文件

　在 《Hadoop 2.2.0安装和配置lzo》 文章中介绍了如何基于 Hadoop 2.2.0安装lzo。里面简单介绍了如果在Hive里面使用lzo数据。今天主要来说说如何在Hadoop 2.2.0中使用lzo压缩文件当作的数据。
　　lzo压缩默认的是不支持切分的，也就是说，如果直接把lzo文件当作Mapreduce任务的输入，那么Mapreduce只会用一个Map来处理这个输入文件，这显然不是我们想要的。其实我们只需要对lzo文件建立索引，这样这个lzo文件就会支持切分，也就可以用多个Map来处理lzo文件。我们可以用 《Hadoop 2.2.0安装和配置lzo》 文章中编译的hadoop-lzo-0.4.20-SNAPSHOT.jar包来对lzo文件建立索引(假如在/home/wyp/input目录下有个cite.txt.lzo文件，这个目录是在HDFS上)：

1 $ $HADOOP_HOMOE/bin/hadoop jar
2                  $HADOOP_HOMOE/share/hadoop/common/hadoop-lzo-0.4.20-SNAPSHOT.jar
3                  com.hadoop.compression.lzo.DistributedLzoIndexer
4                  /home/wyp/input/cite.txt.lzo

生成出来的索引文件后缀为.index，并存放在lzo同一目录下.在本例中产生的索引文件是存放在/home/wyp/input目录下，名称为cite.txt.lzo.index。

我们也可以用下面的方法对lzo文件来建立索引：

1 $ $HADOOP_HOMOE/bin/hadoop jar
2               $HADOOP_HOMOE/share/hadoop/common/hadoop-lzo-0.4.20-SNAPSHOT.jar
3               com.hadoop.compression.lzo.LzoIndexer
4               /home/wyp/input/cite.txt.lzo

这个方法和上面方法产生出来的索引文件是一样的；但是上面的方法是通过启用Mapreduce任务来执行的，而这里的方法只在一台客户机上运行，效率很慢！

那么，如何在Mapreduce任务中使用lzo文件。下面分别对Mapreduce程序、Streaming程序以及Hive分别进行说明：

1、对于Mapreduce程序，我们需要把程序中所有的TextInputFormat修改为LzoTextInputFormat，如下：

1 job.setInputFormatClass(TextInputFormat.class);
2
3 修改为
4
5 job.setInputFormatClass(LzoTextInputFormat.class);

LzoTextInputFormat类需要引入相应的包，如果你是使用pom文件，可以引入以下依赖：

1 <dependency>
2             <groupId>com.hadoop.gplcompression</groupId>
3             <artifactId>hadoop-lzo</artifactId>
4             <version>0.4.19</version>
5 </dependency>

如果你的输入格式不是LzoTextInputFormat类，那么Mapreduce程序将会把.index文件也当作是数据文件！修改完之后，需要重新编译你的Mapreduc程序。这样在运行Mapreduce程序的时候，将lzo文件所在的目录当作输入即可，Mapreduce程序会识别出.index文件的：

1 $ /home/q/hadoop-2.2.0/bin/hadoop jar
2                                   statistics2.jar com.wyp.Sts
3                                   -Dmapreduce.job.queuename=queue1
4                                   /home/wyp/input
5                                   /home/wyp/resluts

2、对于Streaming程序来说，可以通过-inputformat指定输入的文件格式，使用如下：

1 $ bin/hadoop jar
2              $HADOOP_HOMOE/share/hadoop/tools/lib/hadoop-streaming-2.2.0.jar
3              -inputformat com.hadoop.mapred.DeprecatedLzoTextInputFormat
4              -input /home/wyp/input
5              -output /home/wyp/results
6              -mapper /bin/cat
7              -reducer wc

对应Streaming作业还需要注意的是，使用DeprecatedLzoTextInputFormat输入格式，会把文本的行号当作key传送到reduce的，所以我们需要将行号去掉，可以用下面方法实现：

1 $ bin/hadoop jar
2              $HADOOP_HOMOE/share/hadoop/tools/lib/hadoop-streaming-2.2.0.jar
3              -inputformat com.hadoop.mapred.DeprecatedLzoTextInputFormat
4              -input /home/wyp/input
5              -D stream.map.input.ignoreKey=true
6              -output /home/wyp/results
7              -mapper /bin/cat
8              -reducer wc

3、对于Hive，需要在建表的时候注意，如下：

1 hive> create table lzo(
2     > id int,
3     > name string)
4     > STORED AS INPUTFORMAT 'com.hadoop.mapred.DeprecatedLzoTextInputFormat'
5     > OUTPUTFORMAT 'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat';
6 OK
7 Time taken: 3.423 seconds

注意4,5行代码。这样就可以使用lzo文件了，并支持分割。