Question

我在hadoop中尝试以下内容：

我已经实现了map-reduce作业，该文件将文件输出到目录“foo”。
foo文件使用key = IntWriteable，value = IntWriteable格式（使用SequenceFileOutputFormat）。
现在，我想开始另一个map-reduce工作。映射器很好，但每个reducer都需要在启动时读取整个“foo”文件（我使用HDFS在reducers之间共享数据）。

我在“public void configure（JobConf conf）”上使用了这段代码：

String uri = "out/foo";
FileSystem fs = FileSystem.get(URI.create(uri), conf);
FileStatus[] status = fs.listStatus(new Path(uri));
for (int i=0; i<status.length; ++i) {
    Path currFile = status[i].getPath();
    System.out.println("status: " + i + " " + currFile.toString());
    try {
        SequenceFile.Reader reader = null;
        reader = new SequenceFile.Reader(fs, currFile, conf);
        IntWritable key = (IntWritable) ReflectionUtils.newInstance(reader.getKeyClass(), conf);
        IntWritable value = (IntWritable ) ReflectionUtils.newInstance(reader.getValueClass(), conf);
        while (reader.next(key, value)) {
        // do the code for all the pairs.
        }
    }
}

代码在一台机器上运行良好，但我不确定它是否会在集群上运行。换句话说，此代码是从当前计算机读取文件还是从分布式系统读取ID？

对于我正在尝试做的事情，是否有更好的解决方案？

提前致谢，

阿里克。

Answer 1

FileSystem.get（）的URI没有定义方案，因此使用的文件系统取决于配置参数fs.defaultFS。如果没有设置，将使用默认设置，即LocalFile系统。

您的程序写入workingDir / out / foo下的本地文件系统。它也应该在集群中工作，但查找本地文件系统。

如上所述，我不确定为什么你需要来自foo目录的整个文件。您可能已经考虑过其他设计。如果需要，首先应将这些文件复制到HDFS，然后从reducer的重写设置方法中读取文件。不用说，关闭在你的减速机的重写特写方法中打开的文件。虽然可以在reducer中读取文件，但map / reduce程序并不是为这种功能而设计的。

在Hadoop中读取分布式文件

1 个答案: