通过MultipleOutputs写到多个文件

MultipleOutputs 类可以将数据写到多个文件，这些文件的名称源于输出的键和值或者任意字符串。这允许每个 reducer（或者只有 map 作业的 mapper）创建多个文件。 采用name-m-nnnnn 形式的文件名用于 map 输出，name-r-nnnnn 形式的文件名用于 reduce 输出，其中 name 是由程序设定的任意名字， nnnnn 是一个指明块号的整数（从 0 开始）。块号保证从不同块（mapper 或 reducer）输出在相同名字情况下不会冲突

1、项目需求

假如这里有一份邮箱数据文件，我们期望统计邮箱出现次数并按照邮箱的类别，将这些邮箱分别输出到不同文件路径下。

2、数据集

wolys@21cn.com
  zss1984@126.com
  294522652@qq.com
  simulateboy@163.com
  zhoushigang_123@163.com
  sirenxing424@126.com
  lixinyu23@qq.com
  chenlei1201@gmail.com
  370433835@qq.com
  cxx0409@126.com
  viv093@sina.com
  q62148830@163.com
  65993266@qq.com
  summeredison@sohu.com
  zhangbao-autumn@163.com
  diduo_007@yahoo.com.cn
  fxh852@163.com

3、实现

 package com.buaa;

 import java.io.IOException;

 import org.apache.hadoop.conf.Configuration;
 import org.apache.hadoop.conf.Configured;
 import org.apache.hadoop.fs.FileSystem;
 import org.apache.hadoop.fs.Path;
 import org.apache.hadoop.io.IntWritable;
 import org.apache.hadoop.io.LongWritable;
 import org.apache.hadoop.io.Text;
 import org.apache.hadoop.mapreduce.Job;
 import org.apache.hadoop.mapreduce.Mapper;
 import org.apache.hadoop.mapreduce.Reducer;
 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
 import org.apache.hadoop.mapreduce.lib.output.LazyOutputFormat;
 import org.apache.hadoop.mapreduce.lib.output.MultipleOutputs;
 import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
 import org.apache.hadoop.util.Tool;
 import org.apache.hadoop.util.ToolRunner;

 /**
 * @ProjectName MultipleOutputsDemo
 * @PackageName com.buaa
 * @ClassName EmailMultipleOutputsDemo
 * @Description 统计邮箱出现次数并按照邮箱的类别，将这些邮箱分别输出到不同文件路径下
 * @Author 刘吉超
 * @Date 2016-05-02 15:25:18
 */
 public class EmailMultipleOutputsDemo extends Configured implements Tool {

     public static class EmailMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
         private final static IntWritable one = new IntWritable(1);

         @Override
         protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
             context.write(value, one);
         }
     }

     public static class EmailReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
         private MultipleOutputs<Text, IntWritable> multipleOutputs;

         @Override
         protected void setup(Context context) throws IOException ,InterruptedException{
             multipleOutputs = new MultipleOutputs< Text, IntWritable>(context);
         }

         protected void reduce(Text Key, Iterable<IntWritable> Values,Context context) throws IOException, InterruptedException {
             // 开始位置
             int begin = Key.toString().indexOf("@");
             // 结束位置
             int end = Key.toString().indexOf(".");

             if(begin >= end){
                 return;
             }

             // 获取邮箱类别，比如 qq
             String name = Key.toString().substring(begin+1, end);

             int sum = 0;
             for (IntWritable value : Values) {
                 sum += value.get();
             }

             /*
              * multipleOutputs.write(key, value, baseOutputPath)方法的第三个函数表明了该输出所在的目录（相对于用户指定的输出目录）。
              * 如果baseOutputPath不包含文件分隔符"/"，那么输出的文件格式为baseOutputPath-r-nnnnn（name-r-nnnnn)；
              * 如果包含文件分隔符"/"，例如baseOutputPath="029070-99999/1901/part"，那么输出文件则为029070-99999/1901/part-r-nnnnn
              */
             multipleOutputs.write(Key, new IntWritable(sum), name);
         }

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

     @SuppressWarnings("deprecation")
     @Override
     public int run(String[] args) throws Exception {
         // 读取配置文件
         Configuration conf = new Configuration();

         // 判断目录是否存在，如果存在，则删除
         Path mypath = new Path(args[1]);
         FileSystem hdfs = mypath.getFileSystem(conf);
         if (hdfs.isDirectory(mypath)) {
             hdfs.delete(mypath, true);
         }

         // 新建一个任务
         Job job = new Job(conf, "MultipleDemo");
         // 主类
         job.setJarByClass(EmailMultipleOutputsDemo.class);

         // 输入路径
         FileInputFormat.addInputPath(job, new Path(args[0]));
         // 输出路径
         FileOutputFormat.setOutputPath(job, new Path(args[1]));

         // Mapper
         job.setMapperClass(EmailMapper.class);
         // Reducer
         job.setReducerClass(EmailReducer.class);

         // key输出类型
         job.setOutputKeyClass(Text.class);
         // value输出类型
         job.setOutputValueClass(IntWritable.class);

         // 去掉job设置outputFormatClass，改为通过LazyOutputFormat设置
         LazyOutputFormat.setOutputFormatClass(job, TextOutputFormat.class);  

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

     public static void main(String[] args0) throws Exception {
         // 数据输入路径和输出路径
 //        String[] args0 = {
 //                "hdfs://ljc:9000/buaa/email/email.txt",
 //                "hdfs://ljc:9000/buaa/email/out/"
 //        };
         int ec = ToolRunner.run(new Configuration(), new EmailMultipleOutputsDemo(), args0);
         System.exit(ec);
     }
 }

4、运行效果

5、注意事项

1、在reducer中调用时，要调用MultipleOutputs以下接口

public void write(KEYOUT key,VALUEOUT value, String baseOutputPath) throws IOException,InterruptedException

如果调用

public <K,V> void write(String namedOutput, K key, V value) throws IOException, InterruptedException

则需要在job中，预先声明named output（如下），不然会报错：named output xxx not defined：

 MultipleOutputs.addNamedOutput(job, "moshouzhengba", TextOutputFormat.class, Text.class, Text.class);
 MultipleOutputs.addNamedOutput(job, "maoxiandao", TextOutputFormat.class, Text.class, Text.class);
 MultipleOutputs.addNamedOutput(job, "yingxionglianmen", TextOutputFormat.class, Text.class, Text.class);

2. 默认情况下，输出目录会生成part-r-00000或者part-m-00000的空文件，需要如下设置后，才不会生成

// job.setOutputFormatClass(TextOutputFormat.class);
LazyOutputFormat.setOutputFormatClass(job, TextOutputFormat.class);

就是去掉job设置outputFormatClass，改为通过LazyOutputFormat设置
3. multipleOutputs.write(key, value, baseOutputPath)方法的第三个函数表明了该输出所在的目录（相对于用户指定的输出目录）。如果baseOutputPath不包含文件分隔符“/”，那么输出的文件格式为baseOutputPath-r-nnnnn（name-r-nnnnn)；如果包含文件分隔符“/”，例如baseOutputPath=“029070-99999/1901/part”，那么输出文件则为

如果，您认为阅读这篇博客让您有些收获，不妨点击一下右下角的【推荐】。
如果，您希望更容易地发现我的新博客，不妨点击一下左下角的【关注我】。
如果，您对我的博客所讲述的内容有兴趣，请继续关注我的后续博客，我是【刘超★ljc】。

本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。

实现代码及数据：下载