Hadoop 从映射器写入新文件

Question

我正在尝试编写一个程序，该程序需要一个庞大的数据集，然后使用mapreduce 对其运行一些查询。我有这样的代码：

public static class MRMapper
   extends Mapper<LongWritable, Text, Text, IntWritable>{
String output2="hdfs://master:9000/user/xxxx/indexln.txt";
  FileSystem Phdfs =FileSystem.get(new Configuration());
 Path fname1=new Path(output2);
BufferedWriter out=new BufferedWriter(new OutputStreamWriter(Phdfs.create(fname1,true)));
private final static IntWritable one = new IntWritable(1);
private Text word = new Text();
    long max=0;

public void map(LongWritable key, Text value, Context context
                ) throws IOException, InterruptedException {
    String binln = Long.toBinaryString(0x8000000000000000L | key).substring(1);
    out2.write(binln+"\n");
    out2.flush();
    String line = value.toString();
    String [] ST = line.split(",");
                    long val=Math.abs(Long.parseLong(ST[2]));
                    if (max < val){
                                    max= val;
                    }
                    else{
                            word.set(line);
                            context.write(word, val);
                     }
 }
}

我想做的是在映射器中构建一个indexfile。映射器将使用它来访问输入文件的特定区域。映射器根据索引读取输入文件的一部分，然后将读取的部分和读取的行数打印到输出。我正在使用一个带有 9 个减速器的映射器。

• 我的问题是，是否可以在 map 函数中创建/写入与输出文件不同的文件，并且 reducer 是否可以读取在 mapper 中打开的文件？如果是，我是在正确的道路上还是完全错误的，或者mapreduce 不是这样的方式？如果这个问题听起来太菜鸟，我深表歉意，但我实际上是 hadoop 的菜鸟。努力学习。谢谢

Answer 1

您确定您使用的是单个映射器吗？因为 Hadoop 创建的映射器数量非常接近输入拆分的数量 (more details)。

输入分割的概念也很重要：它意味着非常大的数据文件被分割成几个块，每个块分配给一个映射器。因此，除非您完全确定只使用了一个映射器，否则您将无法控制正在处理文件的哪一部分，并且您将无法控制任何类型的全局索引。

话虽如此，在 MapReduce 中使用单个映射器与根本不使用 MapReduce 是一样的 :) 也许是我的错误，我假设您只有一个要分析的文件，是这样吗？

如果您有多个大数据文件，场景会发生变化，为每个文件创建一个映射器可能有意义，但您必须创建自己的 InputSplit 并通过返回覆盖 isSplitable 方法总是false。