MapReduce中文件名通配与过滤

目录[-]

1、通配符的使用与简介

2、PathFilter对象

3、Referer:

1、通配符的使用与简介

在一步操作中处理批量文件，这个要求很常见。举例来说，处理日志的MapReduce作业可能会分析一个月的文件，这些文件被包含在大量目录中。Hadoop有一个通配的操作，可以方便地使用通配符在一个表达式中核对多个文件，不需要列举每个文件和目录来指定输入。Hadoop为执行通配提供了两个FileSystem方法：

public FileStatus[] globStatus(Path pathPattern) throws IOException

public FileStatus[] globStatus(Path pathPattern, PathFilter filter) throws IOException

globStatus()返回了其路径匹配于所供格式的FileStatus对象数组，按路径排序。可选的PathFilter命令可以进一步指定限制匹配。 
Hadoop支持的一系列通配符与Unix bash相同(见表3-2)。 
表3-2：通配符及其作用

通配符	名称	匹配
*	星号	匹配0或多个字符
？	问号	匹配单一字符
[ab]	字符类别	匹配{a,b}中的一个字符

续表

通配符	名称	匹配
[^ab]	非字符类别	匹配不是{a,b}中的一个字符
[a-b]	字符范围	匹配一个在{a,b}范围内的 字符(包括ab)，a在字典 顺序上要小于或等于b
[^a-b]	非字符范围	匹配一个不在{a,b}范围内 的字符(包括ab)，a在字 典顺序上要小于或等于b
{a,b}	或选择	匹配包含a或b中的一个的语句
\c	转义字符	匹配元字符c

假设有日志文件存储在按日期分层组织的目录结构中。如此一来，便可以假设2007年最后一天的日志文件就会以/2007/12/31的命名存入目录。假设整个文件列表如下：

/ 2007 / 12 / 30
/ 2007 / 12 / 31
/ 2008 / 01 / 01
/ 2008 / 01 / 02

以下是一些文件通配符及其扩展。

通配符	扩展
/*	/2007/2008
/*/*	/2007/12 /2008/01
/*/12/*	/2007/12/30 /2007/12/31
/200?	/2007 /2008
/200[78]	/2007 /2008
/200[7-8]	/2007 /2008
/200[^01234569]	/2007 /2008
/*/*/{31,01}	/2007/12/31 /2008/01/01
/*/*/3{0,1}	/2007/12/30 /2007/12/31
/*/{12/31,01/01}	/2007/12/31 /2008/01/01

2、PathFilter对象

通配格式不是总能够精确地描述我们想要访问的文件集合。比如，使用通配格式排除一个特定的文件就不太可能。FileSystem中的listStatus()和globStatus()方法提供了可选的PathFilter对象，使我们能够通过编程方式控制匹配：

package org.apache.hadoop.fs;

public interface PathFilter {
   boolean accept(Path path);
}

PathFilter与java.io.FileFilter一样，是Path对象而不是File对象。

例3-7：展示了一个PathFilter，用于排除匹配一个正则表达式的路径。

public class RegexExcludePathFilter implements PathFilter {

  private final String regex;

  public RegexExcludePathFilter(String regex) {
    this .regex = regex;
  }

  public boolean accept(Path path) {
    return !path.toString().matches(regex);
  }
}

这个过滤器只留下与正则表达式不同的文件。我们将它与预先剔除一些文件集合的通配配合：过滤器用来优化结果。例如：

fs.globStatus( new Path( "/2007/*/*" ),
               new RegexExcludeFilter( "^.*/2007/12/31$" )
)