大家好，又见面了，我是全栈君，今天给大家准备了Idea注册码。
背景：
操作和维护与scribe从apacheserver一再被推到日志记录，所以在这里ETL处理正在进行的重。有根据业务的输出类型是用于多文件夹一个需求。方便挂分区，使用回。
这两种需求都没有问题分开处理，一个mapreduce里完毕，须要一点技巧。
1、map输入数据，经过一系列处理。输出时：
if(ttype.equals("other")){
file = (result.toString().hashCode() & 0x7FFFFFFF)%400;
}else if(ttype.equals("client")){
file = (result.toString().hashCode() & 0x7FFFFFFF)%260;
}else{
file = (result.toString().hashCode()& 0x7FFFFFFF)%60;
}
tp = new TextPair(ttype+"_"+file, result.toString());
context.write(tp, valuet);
valuet是空的，什么都没有。
我这里有三个类型。other，client，wap，分别代表日志来源平台。要按他们分文件夹输出。
result就是整条记录。
file得到的是终于输出文件名称，hash。位操作，取模是为了输出均衡。
map的输出结构<key,value> =（ttype+”_”+file,result.toString()）
这样做的目的是：保证同样的记录得到同样的key，同一时候还要保存类型。partition要按textPair的left，也就是这个key，
保证了后面要写到同一个输出文件的全部记录都到同一个reduce里去。一个reduce能够写多个输出文件。可是一个输出文件不能来自多个reduce，原因非常明了。
这种话大概400+260+60=720个输出文件，每一个文件数据量大概差点儿相同，job的reduce数我这里设置的240，这个数连同取模400,260,60都是依据我的数据量来定的，来尽量避免reduce的数据倾斜。
2、reduce方法去重：
public void reduce(TextPair key, Iterable<Text> values, Context context) throws IOException, InterruptedException
{
rcfileCols = getRcfileCols(key.getSecond().toString().split("\001"));
context.write(key.getFirst(), rcfileCols);
}
不用迭代，对同样的key组。仅仅输出一次。注意这里job用到的比較器，一定不能是FirstComparator，而是整个textpair对的比較。（先比較left。再比較right）
我的程序里输出文件格式是rcfile。
3、多文件夹输出：
job.setOutputFormatClass(WapApacheMutiOutputFormat.class);
public class WapApacheMutiOutputFormat extends RCFileMultipleOutputFormat<Text, BytesRefArrayWritable> {
Random r = new Random();
protected String generateFileNameForKeyValue(Text key, BytesRefArrayWritable value,
Configuration conf) {
String typedir = key.toString().split("_")[0];
return typedir+"/"+key.toString();
}
}
这里的RCFileMultipleOutputFormat是自己继承自FileOutputFormat 自己写的。主要实现了recordWriter。
终于输出去重的，分文件夹的数据文件。
理解的关键，主要是partition key设计。reduce原则。
版权声明：本文博客原创文章，博客，未经同意，不得转载。
发布者：全栈程序员-用户IM，转载请注明出处：https://javaforall.cn/117394.html原文链接：https://javaforall.cn
【正版授权，激活自己账号】： Jetbrains全家桶Ide使用，1年售后保障，每天仅需1毛
【官方授权 正版激活】： 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...
