No Reply , Posted in Hadoop on December 2, 2012
在Hadoop中，InputFormat类用来生成可供Mapper处理的<key, value>键值对。当数据传送给Mapper时，Mapper会将输入分片传送到InputFormat上，InputFormat调用getRecordReader()方法生成RecordReader，RecordReader再创建可供map函数处理的键值对<K1, V1>。
Hadoop预定义了多种方法将不同类型的输入数据转化为map能够处理的键值对。比如，TextInputFormat，Hadoop中默认的输入方法，会将每行数据生成一条记录，其中key值为每条记录在分片中的字节偏移量，value则为每行的内容。
在Hadoop预定义的InputFormat中，并没有处理CSV文件的方法。CSV文件的本质其实是用逗号分隔开的文本文件。一种很直观的处理方法是：将CSV文件作为文本文件处理，使用TextInputFormat将文件按行传入map函数，在map函数中再按照CSV文件的格式进行处理。但这样很容易将数据格式的处理逻辑与业务处理逻辑混淆在一起，并且出现很多copy-and-pasted的代码。
实际上，可以写一个自己的InputFormat以及RecordReader类，专门用来处理CSV文件的输入，直接传递给map函数解析后的数据。
1 数据结构
我们传递给map函数一个ArrayWritable（A Writable for arrays containing instances of a class），元素类型为Text，即CSV文件每一行各个字段的数据。数据结构如下：
代码1：TextArrayWritable.java
public class TextArrayWritable extends ArrayWritable {
public TextArrayWritable() {
super(Text.class);
}
public TextArrayWritable(Text[] strings) {
super(Text.class, strings);
}
}
2 CSVInputFormat
FileInputFormat是所有使用文件作为其数据源的InputFormat实现的基类。它提供了两个功能：一是定义哪些文件包含在一个作业的输入中，另一个是为输入文件生成分片（Input Splits）。而把分片分割成记录的事情交由其子类来完成。所以CSVInputFormat类的实现上，同样是继承InputFormat类，并只需要简单的重写createRecordReader和isSplitable即可。
代码2：CSVInputFormat.java
public class CSVInputFormat
extends FileInputFormat<LongWritable, TextArrayWritable>{
public static final String CSV_TOKEN_SEPARATOR_CONFIG
= "csvinputformat.token.delimiter";
@Override
protected boolean isSplitable(JobContext context, Path filename) {
CompressionCodec codec =
new CompressionCodecFactory(context.getConfiguration())
.getCodec(filename);
return codec == null;
}
@Override
public RecordReader<LongWritable, TextArrayWritable> createRecordReader(
InputSplit split, TaskAttemptContext context)
throws IOException, InterruptedException {
String csvDelimiter = context.getConfiguration()
.get(CSV_TOKEN_SEPARATOR_CONFIG);
Character separator = null;
if (csvDelimiter != null && csvDelimiter.length() == 1) {
separator = csvDelimiter.charAt(0);
}
return new CSVRecordReader(separator);
}
}
其中csvinputformat.token.delimiter是可在配置文件中配置的CSV输入文件分隔符，createRecordReader完成的工作只是从配置文件中得到分隔符，调用真正对CSV文件分片进行处理，并生成键值对的CSVRecordReader函数，并返回RecordReader对象。
3 CSVRecordReader
对于CSVRecordReader，要实现的功能无非就是将CSV文件中每一行的各字段提取出来，并将各字段作为TextArrayWritable类型的数据结构传递给map函数。
在Hadoop中有一个LineRecordReader类，它将文本文件每一行的内容作为值返回，类型为Text。所以可以直接在CSVRecordReader中使用LineRecordReader，将LineRecordReader返回的每一行再次进行处理。在CSV文件的处理上，这里用到了OpenCSV对CSV文件的每一行进行解析，具体可参见这里。
下面是CSVRecordReader的实现代码。除了CSV文件的解析、nextKeyValue()方法和getCurrentValue()方法外，大部分方法都直接调用LineRecordReader实例的相应方法。毕竟我们是踩在巨人的肩膀上继续前进嘛。O(∩_∩)O~
代码3：CSVRecordReader.java
public class CSVRecordReader
extends RecordReader<LongWritable, TextArrayWritable> {
private LineRecordReader lineReader;
private TextArrayWritable value;
private CSVParser parser;
// 新建CSVParser实例，用来解析每一行CSV文件的每一行
public CSVRecordReader(Character delimiter) {
this.lineReader = new LineRecordReader();
if (delimiter == null) {
this.parser = new CSVParser();
}
else {
this.parser = new CSVParser(delimiter);
}
}
// 调用LineRecordReader的初始化方法，寻找分片的开始位置
@Override
public void initialize(InputSplit split, TaskAttemptContext context)
throws IOException, InterruptedException {
lineReader.initialize(split, context);
}
// 使用LineRecordReader来得到下一条记录（即下一行）。
// 如果到了分片（Input Split）的尾部，nextKeyValue将返回NULL
@Override
public boolean nextKeyValue()
throws IOException, InterruptedException {
if (lineReader.nextKeyValue()) {
//如果有新记录，则进行处理
loadCSV();
return true;
}
else {
value = null;
return false;
}
}
@Override
public LongWritable getCurrentKey() throws IOException,
InterruptedException {
return lineReader.getCurrentKey();
}
@Override
public TextArrayWritable getCurrentValue() throws IOException,
InterruptedException {
return value;
}
@Override
public float getProgress() throws IOException, InterruptedException {
return lineReader.getProgress();
}
@Override
public void close() throws IOException {
lineReader.close();
}
// 对CSV文件的每一行进行处理
private void loadCSV() throws IOException {
String line = lineReader.getCurrentValue().toString();
// 通过OpenCSV将解析每一行的各字段
String[] tokens = parser.parseLine(line);
value = new TextArrayWritable(convert(tokens));
}
// 将字符串数组批量处理为Text数组
private Text[] convert(String[] tokens) {
Text[] t = new Text[tokens.length];
for (int i = 0; i < t.length; i++) {
t[i] = new Text(tokens[i]);
}
return t;
}
}
4 简单的应用
用于处理CSV文件输入的InputFormat已经写完了，现在构造一个简单的应用场景，来试验下这个CSVInputFormat。
假设有这样一些数据，每一列第一个字段为一个标识，后面为随机产生的数字，标识各不相同，求每一行标识后的数字之和并输出，输出格式为：每一行为标识和数字和。
由于标识没有重复，并且逻辑比较简单，这里只写一个Mapper即可，不需要Reducer。
代码4：CSVMapper.java
public class CSVMapper
extends Mapper<LongWritable, TextArrayWritable, Text, IntWritable> {
@Override
protected void map(LongWritable key, TextArrayWritable value, Context context)
throws IOException, InterruptedException {
String[] values = value.toStrings();
int sum = 0;
Text resultKey = new Text(values[0]);
for (int i = 1; i < values.length; i++) {
sum = sum + Integer.valueOf(values[i].trim());
}
IntWritable resultValue = new IntWritable(sum);
context.write(resultKey, resultValue);
}
}
在作业的提交部分，由于没有Reducer，所以将ReduceTask设置为了0
代码5：JustRun.java
public class JustRun extends Configured implements Tool{
@Override
public int run(String[] args) throws Exception {
Configuration conf = new Configuration();
Job job = new Job(conf);
job.setJobName("CSVTest");
job.setJarByClass(JustRun.class);
job.setMapperClass(CSVMapper.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
job.setInputFormatClass(CSVInputFormat.class);
job.setNumReduceTasks(0);
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
return job.waitForCompletion(true) ? 0 : 1;
}
public static void main(String[] args) throws Exception {
int ret = ToolRunner.run(new JustRun(), args);
System.exit(ret);
}
}
执行完毕后，输出如下，跟预想是一致的。
好了，这就是利用InputFormat对CSV文件的处理过程。除了CSV文件，还可根据处理数据的类型，写出更多的InputFormat。同时，我们还可以利用OutputFormat输出需要的格式。
