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，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来接收，以分隔符后面的内容作为Value来接收。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InputFormat来完成的，而InputFormat实际上并不能完成这项工作，而是创建一个RecordReader来完成这项转换工作。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，直接进行文本数据至键值对的转化。

一、设计自己的InputFormat：

　　现有的InputFormat肯定是无法满足现实中花里胡哨的需求，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处理，以文件名作为Key，文件内容的byte数组作为value，转换成一个SquenceFile文件的案例来演示自定义InputFormat的流程。SuquenceFile文件是Hadoop用来存储二进制形式的key-value对的文件格式，相比于纯文本文件，格式更加紧凑。

　　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，框架会在读取切片数据之前调用此方法，因此，一些在RecordReader工作时需要使用的资源可以在此方法中进行初始化(这些资源必须是可以在inputSplit和taskAttemptContext中可以获取到的)。
     * InputSplit inputSplit：当前RecordReader正在处理的切片
　　　* TaskAttemptContext taskAttemptContext：当前Job的上下文，可以通过此对象获取job的配置对象
     */
 　　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key-value，类似于迭代器，如果读到数据返回true 
　　* 此方法会被Mapper的run()调用：
　　* run(){
　　* 　　setUp();
　　* 　　while(RecorderReader.nextKeyValue()){
　　* 　　　　// 如果读取到下一组key-value对，就交给map方法处理
　　*　　 　　map（recordReader.getCurrentKey(),recordReader.getCurrentValue(),context）;
　　*　　 }　
　　* }
　　* 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);
    }
}