Question

Novell in HDFS和Hadoop：我正在开发一个程序，应该获取特定目录的所有文件，我们可以找到几个任何类型的小文件。

获取每个文件并在压缩的SequenceFile中进行追加，其中键必须是文件的路径，并且值必须是得到的文件，现在我的代码是：

    import java.net.*;

    import org.apache.hadoop.fs.*;
    import org.apache.hadoop.conf.*;
    import org.apache.hadoop.io.*;
    import org.apache.hadoop.io.compress.BZip2Codec;

public class Compact {
        public static void main (String [] args) throws Exception{
                try{
                        Configuration conf = new Configuration();
                        FileSystem fs =
                                FileSystem.get(new URI("hdfs://quickstart.cloudera:8020"),conf);
                        Path destino = new Path("/user/cloudera/data/testPractice.seq");//test args[1]

                        if ((fs.exists(destino))){
                            System.out.println("exist : " + destino);
                            return;
                        }
                        BZip2Codec codec=new BZip2Codec();

                        SequenceFile.Writer outSeq = SequenceFile.createWriter(conf
                                   ,SequenceFile.Writer.file(fs.makeQualified(destino))
                                   ,SequenceFile.Writer.compression(SequenceFile.CompressionType.BLOCK,codec)
                                   ,SequenceFile.Writer.keyClass(Text.class)
                                   ,SequenceFile.Writer.valueClass(FSDataInputStream.class));

                        FileStatus[] status = fs.globStatus(new Path("/user/cloudera/data/*.txt"));//args[0]
                        for (int i=0;i<status.length;i++){
                                FSDataInputStream in = fs.open(status[i].getPath());


                                outSeq.append(new org.apache.hadoop.io.Text(status[i].getPath().toString()), new FSDataInputStream(in));
                                fs.close();

                        }
                        outSeq.close();
                        System.out.println("End Program");
                }catch(Exception e){
                        System.out.println(e.toString());
                        System.out.println("File not found");
                }
        }
}

但是在每次执行之后我都会收到这个例外：

java.io.IOException: Could not find a serializer for the Value class: 'org.apache.hadoop.fs.FSDataInputStream'. Please ensure that the configuration 'io.serializations' is properly configured, if you're usingcustom serialization.

找不到文件

我理解错误必须是我正在创建的文件类型以及我为添加到sequenceFile定义的对象类型，但我不知道应该添加哪个，有人可以帮助我吗？

提前致谢

Answer 1

与其他任何InputStream一样，FSDataInputStream不是要序列化的。什么序列化字节流上的“迭代器”应该做什么？

您最想要做的是将文件的内容存储为值。例如，您可以将值类型从FsDataInputStream切换到BytesWritable，只需从FSDataInputStream中获取所有字节。为此目的使用Key / Value SequenceFile的一个缺点是每个文件的内容必须适合内存。对于小文件来说可能没什么问题，但你必须意识到这个问题。

我不确定你到底想要实现什么，但也许你可以通过Hadoop Archives之类的东西避免重新发明轮子？

Answer 2

非常感谢你的评论，问题就像你说的序列化器，最后我使用了BytesWritable：

FileStatus[] status = fs.globStatus(new Path("/user/cloudera/data/*.txt"));//args[0]
                    for (int i=0;i<status.length;i++){
                        FSDataInputStream in = fs.open(status[i].getPath());
                        byte[] content = new byte [(int)fs.getFileStatus(status[i].getPath()).getLen()];                    

                        outSeq.append(new org.apache.hadoop.io.Text(status[i].getPath().toString()), new org.apache.hadoop.io.BytesWritable(in));
                    }
                        outSeq.close();

在hadoop生态系统中可能还有其他更好的解决方案，但这个问题是我正在开发的一个学位的练习，现在我们正在重新理解概念的轮子; - ）。

SequenceFile Compactor只有一个file.seq中的几个小文件

2 个答案: