自定义InputFormat

回顾：

　　在上一篇https://www.cnblogs.com/superlsj/p/11857691.html详细介绍了InputFormat的原理和常见的实现类。总结来说，一个InputFormat是将文件切片----->再转化为<key--value>对转交给Mapper处理。

　　所以我们看到在InputFormat类中只有两个方法，一个负责切片，一个返回能将切片信息转化为相应的键值对的对象：

public abstract class InputFormat<K, V> {
    public InputFormat() {
    }

    public abstract List<InputSplit> getSplits(JobContext var1) throws IOException, InterruptedException;

    public abstract RecordReader<K, V> createRecordReader(InputSplit var1, TaskAttemptContext var2) throws IOException, InterruptedException;
}

　　以KeyValueInputFormat为例：

@Stable
public class KeyValueTextInputFormat extends FileInputFormat<Text, Text> {
    public KeyValueTextInputFormat() {
    }

    protected boolean isSplitable(JobContext context, Path file) {
        CompressionCodec codec = (new CompressionCodecFactory(context.getConfiguration())).getCodec(file);
        return null == codec ? true : codec instanceof SplittableCompressionCodec;
    }

    public RecordReader<Text, Text> createRecordReader(InputSplit genericSplit, TaskAttemptContext context) throws IOException {
        context.setStatus(genericSplit.toString());
        return new KeyValueLineRecordReader(context.getConfiguration());
    }
}

　　我们知道：当使用KeyValueInputFormat并设置分隔符后，Mapper以分隔符前的内容作为Key，以分隔符后面的内容作为Value，都为Text类型，那么在数据提交到Mapper之前，数据就必须被格式化为满足Mapper接收的格式，这个工作就是由RecordReader来完成的，因此，其泛型也必须与Mapper接收类型一致。顺带一提：isSplitable方法返回文件是否可以切片，当返回false时，表示在格式化输入文件时，不对文件进行切片，而直接进行文本数据至键值对的转化。

设计自己的InputFormat：

　　现有的那些InputFormat肯定是无法满足现实中花里胡哨的需求的，所以自定义InputFormat是一项不可避免的工作。下面以将三个小文件合并成一个SquenceFile文件（SuquenceFile文件是Hadoop用来村塾二进制形式的key-value对的文件格式），SuquenceFile里面存储三个小文件，存储形式为文件路径+文件名为key，文件内容为value为例，演示自定义InputFormat的流程。

　　1、自定义InputFormat

public class WholeFileInputFormat extends FileInputFormat<Text, BytesWritable> {
    public RecordReader createRecordReader(InputSplit inputSplit, TaskAttemptContext taskAttemptContext) throws IOException, InterruptedException {
        return new WholeFileRecordReader();
    }

    @Override
    protected boolean isSplitable(JobContext context, Path filename) {
        return false;
    }
}

　　2、自定义RecordReader

public class WholeFileRecordReader extends RecordReader<Text, BytesWritable> {
    private boolean notRead = true;
    private Text key = new Text();
    private BytesWritable value = new BytesWritable();
    private FSDataInputStream inputStream;
    private FileSplit fs;
    /**
     * 初始化方法，框架会在开始的时候调用此方法，
     * 因此，一些在RecordReader工作时需要使用的资源可以此方法中初始化
     */
    public void initialize(InputSplit inputSplit, TaskAttemptContext taskAttemptContext) throws IOException, InterruptedException {
        //转换切片类型到文件切片
        fs = (FileSplit)inputSplit;
        //通过切片获得路径
        Path path = fs.getPath();
        //通过路径获取文件系统
        FileSystem fileSystem = path.getFileSystem(taskAttemptContext.getConfiguration());
        //开流
        inputStream = fileSystem.open(path);
    }

    /**
     * 此方法用于读取下一组数据，类似于迭代器，如果读到数据返回true
     * 因为将路径+文件名作为key,文件内容作为value，所以一个文件只会读取一次，要么没读过，要么读过
     */
    public boolean nextKeyValue() throws IOException, InterruptedException {
        if(notRead){
            //具体读文件的操作
            //读Key
            key.set(fs.getPath().toString());
            //读Value
            byte[] bytes = new byte[(int)fs.getLength()];
            inputStream.read(bytes);
            value.set(bytes,0,bytes.length);
            notRead = true;
            return true;
        }else{
            return false;
        }
    }

    /**
     * 获取当前读到的Key-value对并返回
     */
    public Text getCurrentKey() throws IOException, InterruptedException {
        return key;
    }
    public BytesWritable getCurrentValue() throws IOException, InterruptedException {
        return value;
    }

    /**
     * 返回当前数据的读取进度：0.0~1.0
     * 由于本案例中以路径+整个文件名作为Key，只存在一个K-V对，
     * 所以读取进度只存在两种情况：要么0没读，要么1读完了。
     */
    public float getProgress() throws IOException, InterruptedException {
        return notRead ? 0 : 1;
    }

    /**
     * 常用于关闭资源
     */
    public void close() throws IOException {
        IOUtils.closeStream(inputStream);
    }
}

　　3、测试，本案例中Mapper和Redu啥也不用干，所以不用写，用默认提供的就行，是需要写一个Driver。

public class WholeFileDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        Job job = Job.getInstance(new Configuration());

        job.setJarByClass(WholeFileDriver.class);

        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(BytesWritable.class);

        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(BytesWritable.class);

        job.setInputFormatClass(WholeFileInputFormat.class);
        job.setOutputFormatClass(SequenceFileOutputFormat.class);//【注意】

        FileInputFormat.setInputPaths(job, new Path("d:\\input"));
        FileOutputFormat.setOutputPath(job, new Path("d:\\output"));

        boolean b = job.waitForCompletion(true);
        System.out.println(b ? 0:1);
    }
}