一个MapReduce计算写入多个输出
有时，我们要求Hadoop作业将数据写入多个输出位置。Hadoop提供了一种工具，可以根据我们的需要，使用MultipleOutputs类在不同的位置编写作业的输出。
Hadoop的MultipleOutputs类提供了将Hadoop map/reducer输出写到多个文件夹的工具。这个MultipleOutputs特性也允许我们为每个输出指定一个不同的OutputFormat。
MultipleOutputs类有一个静态方法addNamedOutput，用于向给定的作业添加指定的输出。该方法的签名如下：
public static void addNamedOutput(Job job,
String namedOutput,
Class<? extends OutputFormat> outputFormatClass,
Class<?> keyClass,
Class<?> valueClass)
下面是使用该方法的代码片段：
MultipleOutputs.addNamedOutput(job,"AHMEDABAD", TextOutputFormat.class,Text.class,Text.class); MultipleOutputs.addNamedOutput(job,"DELHI", TextOutputFormat.class,Text.class,Text.class); MultipleOutputs.addNamedOutput(job,"MUMBAI", TextOutputFormat.class,Text.class,Text.class);
MultipleOutputs类的write方法用于将输出写入不同的文件。这种方法有多种形式。我们将例如如下这种方法形式：
public <K, V> void write(String namedOutput, K key, V value, String baseOutputPath)
只需要在MapClass或Reduce类中加入如下代码：
private MultipleOutputs<Text, IntWritable> mos;
public void setup(Context context) throws IOException,InterruptedException {
mos = new MultipleOutputs(context);
}
public void cleanup(Context context) throws IOException,InterruptedException {
mos.close();
}
然后就可以用mos.write(Key key,Value value,String baseOutputPath)代替context.write(key, value)。
问题描述
在这个例子中，我们将使用Hadoop MultipleOutputs特性在不同的HDFS文件夹中编写城市员工记录。
一、创建Java Maven项目
Maven依赖：
<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>HadoopDemo</groupId>
<artifactId>com.xueai8</artifactId>
<version>1.0-SNAPSHOT</version>
<dependencies>
<!--hadoop依赖-->
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-common</artifactId>
<version>3.3.1</version>
</dependency>
<!--hdfs文件系统依赖-->
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-hdfs</artifactId>
<version>3.3.1</version>
</dependency>
<!--MapReduce相关的依赖-->
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-mapreduce-client-core</artifactId>
<version>3.3.1</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-mapreduce-client-jobclient</artifactId>
<version>3.3.1</version>
</dependency>
<!--junit依赖-->
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.12</version>
<scope>test</scope>
</dependency>
</dependencies>
<build>
<plugins>
<!--编译器插件用于编译拓扑-->
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<!--指定maven编译的jdk版本和字符集,如果不指定,maven3默认用jdk 1.5 maven2默认用jdk1.3-->
<artifactId>maven-compiler-plugin</artifactId>
<configuration>
<source>1.8</source> <!-- 源代码使用的JDK版本 -->
<target>1.8</target> <!-- 需要生成的目标class文件的编译版本 -->
<encoding>UTF-8</encoding><!-- 字符集编码 -->
</configuration>
</plugin>
</plugins>
</build>
</project>
MultipleOutputsMapper.java：
Mapper类。
package com.xueai8.multioutput;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.output.MultipleOutputs;
import java.io.IOException;
// 引入静态常量
import static com.xueai8.multioutput.MultipleOutputsDriver.*;
public class MultipleOutputsMapper extends Mapper<Text,Text,Text,Text> {
private MultipleOutputs<Text, Text> multipleOutputs;
@Override
protected void setup(Context context) throws IOException, InterruptedException {
multipleOutputs = new MultipleOutputs<>(context);
}
@Override
protected void map(Text key, Text value, Context context) throws IOException, InterruptedException {
String empData[] = value.toString().split(",");
// 多路输出：根据员工姓名
if(empData[3].equalsIgnoreCase(AHMEDABAD)){
multipleOutputs.write(AHMEDABAD, key, value, "AHMEDABAD/AHMEDABAD");
}else if (empData[3].equalsIgnoreCase(DELHI)){
multipleOutputs.write(DELHI, key, value, "DELHI/DELHI");
}else if(empData[3].equalsIgnoreCase(MUMBAI)){
multipleOutputs.write(MUMBAI, key, value, "MUMBAI/MUMBAI");
}else {
multipleOutputs.write(OTHER, key, value, "OTHER/OTHER");
}
}
@Override
protected void cleanup(Context context) throws IOException, InterruptedException {
multipleOutputs.close();
}
}
本示例没有Reducer类。
MultipleOutputsDriver.java：
驱动程序类。注意这里我们使用了ToolRunner接口。
package com.xueai8.multioutput;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.KeyValueTextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.MultipleOutputs;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;
public class MultipleOutputsDriver extends Configured implements Tool {
public static final String OTHER = "OTHER";
public static final String MUMBAI = "MUMBAI";
public static final String DELHI = "DELHI";
public static final String AHMEDABAD = "AHMEDABAD";
public static void main(String[] args) throws Exception {
int exitCode = ToolRunner.run(new Configuration(), new MultipleOutputsDriver(), args);
System.exit(exitCode);
}
public int run(String[] args) throws Exception {
if (args.length != 2) {
System.out.println("执行此程序需要两个参数：");
System.out.println("[ 1 ] 输入路径");
System.out.println("[ 2 ] 输出路径");
return -1;
}
String[] otherArgs = new GenericOptionsParser(getConf(),args).getRemainingArgs();
Path input=new Path(otherArgs[0]);
Path output=new Path(otherArgs[1]);
Job job = Job.getInstance(getConf(),"multi output");
job.setJarByClass(MultipleOutputsDriver.class);
// set mapper
job.setMapperClass(MultipleOutputsMapper.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(Text.class);
// set reducer
job.setNumReduceTasks(0);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(Text.class);
// set input & output format
job.setInputFormatClass(KeyValueTextInputFormat.class);
job.setOutputFormatClass(TextOutputFormat.class);
FileInputFormat.addInputPath(job, input);
FileOutputFormat.setOutputPath(job, output);
/*** 添加多路输出的命名 ***/
MultipleOutputs.addNamedOutput(job,AHMEDABAD , TextOutputFormat.class,Text.class,Text.class);
MultipleOutputs.addNamedOutput(job,DELHI, TextOutputFormat.class,Text.class,Text.class);
MultipleOutputs.addNamedOutput(job,MUMBAI, TextOutputFormat.class,Text.class,Text.class);
MultipleOutputs.addNamedOutput(job,OTHER, TextOutputFormat.class,Text.class,Text.class);
boolean success = job.waitForCompletion(true);
return (success ? 0 : 1);
}
}
二、配置log4j
在src/main/resources目录下新增log4j的配置文件log4j.properties，内容如下：
log4j.rootLogger = info,stdout
### 输出信息到控制抬 ###
log4j.appender.stdout = org.apache.log4j.ConsoleAppender
log4j.appender.stdout.Target = System.out
log4j.appender.stdout.layout = org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern = [%-5p] %d{yyyy-MM-dd HH:mm:ss,SSS} method:%l%n%m%n
三、项目打包
打开IDEA下方的终端窗口terminal，执行"mvn clean package"打包命令，如下图所示：
如果一切正常，会提示打jar包成功。如下图所示：
这时查看项目结构，会看到多了一个target目录，打好的jar包就位于此目录下。如下图所示：
四、项目部署
请按以下步骤执行。
1、启动HDFS集群和YARN集群。在Linux终端窗口中，执行如下的脚本：
$ start-dfs.sh $ start-yarn.sh
查看进程是否启动，集群运行是否正常。在Linux终端窗口中，执行如下的命令：
$ jps
这时应该能看到有如下5个进程正在运行，说明集群运行正常：
5542 NodeManager
5191 SecondaryNameNode
4857 NameNode
5418 ResourceManager
4975 DataNode
2、先在本地创建一个输入数据文件employees.txt，并编辑内容如下：
1 John Cena,Sr.Software Engineer,TCS,Ahmedabad 2 Peter,Sr.Software Engineer,Infosys,Delhi 3 S. Mathur,Software Engineer,capgemini,Mumbai 4 Ranvir D.,Data scientiest,TCS,Ahmedabad 5 Kane Will,Technical Lead,TCS,Ahmedabad
3、将数据文件employees.txt上传到HDFS的/data/mr/目录下。
$ hdfs dfs -mkdir -p /data/mr $ hdfs dfs -put employees.txt /data/mr/ $ hdfs dfs -ls /data/mr/
4、提交作业到Hadoop集群上运行。（如果jar包在Windows下，请先拷贝到Linux中。）
在终端窗口中，执行如下的作业提交命令：
$ hadoop jar HadoopDemo-1.0-SNAPSHOT.jar com.xueai8.multioutput.MultipleOutputsDriver /data/mr /data/mr-output
5、查看输出结果。
查看输出目录，可以看到每个命名输出写到一个单独的文件夹中了。如下图所示：
也可以通过浏览器查看HDFS上生成的目录：
