Hadoop - 需要基本 + 流式指导

Question

我在 Apache Hadoop 0.2.x 版本中编写了一些 MapReduce 程序 - 简单来说，我是一个初学者。

我正在尝试使用名为 SeismicUnix 的软件在 Linux 机器上处理大型（超过 10GB）SegY 文件

列出了我在 Linux 机器上执行的基本命令：

//Read SegY file and convert to custom format (.su file)

segyread tape=input.sgy verbose=1 endian=0 | segyclean >input.su


//PIPE-SEPARATE the processing commands viz. suhilb and suaccor
suhilb | suaccor ntout=1001 sym=0 < Noise1_10.su > output.su


//Create headers for converting back to SegY format
segyhdrs < output.su bfile=binary hfile=header


//Create the final output file in SegY format
segywrite <output.su tape=output.segy buff=1 conv=1 bfile=binary hfile=header

这些步骤在一台机器上需要很长时间，因此，已经设置了一个 Apache Hadoop 集群来加快速度。

按照我的思路：

1. 将源 SegY 文件拆分到集群上（这样大文件的一小块可用于在每个节点上进行处理）
2. 可能，使用 Hadoop Streaming，调用 SeismicUnix 命令来处理每个节点上的小块
3. 将处理后的文件聚合成一个大的 SegY 文件作为输出

技术问题/挑战：

1. 源 SegY 文件需要先加载到 HDFS 上，然后才能用于不同的节点进行处理。我该怎么做 - 创建一个 SequenceFile 或其他东西？ SeismicUnix 读取 SegY 文件，将其转换为自定义格式，然后进行处理！
2. 如第二个命令所示，不同的操作（命令）按照它们想要执行的顺序进行管道传输，例如 suhilb |苏克现在，这可以在一个映射器中发生吗，还是我需要为 suhilb 创建一个映射器并将其输出提供给 suaccor - 这里非常困惑
3. 假设处理完成并且现在创建了每个节点 output.segy（这个假设是否正确？？？），我如何合并这些文件（这里完全没有头绪）？

我读过一些关于 Google 的 FlumeJava 的文章，认为它是一种解决方案，但我想坚持只使用 Hadoop，即目前没有库方法。

抱歉，如果我没有深入/简洁地询问我的问题 - 实际上，我无法清楚地了解设计/代码！

Answer 1

根据您的问题回答问题，

1. 如果您知道软件使用什么自定义格式来转换 SegY 文件，您可以使用相同的格式将文件存储在HDFS。要加载到HDFS，您应该查看开源工具，例如 Sqoop。

2. 您可以使用映射器按顺序执行各种操作。因此，不同的映射器将并行对您输入的不同块执行操作。

3. 要合并输出文件，请尝试使用基于键对output.segy 进行排序的reducer。您使用的示例密钥可以是文件的名称。因此，各种输出文件的所有数据都被路由到一个减速器，从而生成了一个输出部分 -r - 000 文件。