MapReduce基础开发之十读写ORC File

1、ORC File

Orc是Hive特有的一种列式存储的文件格式，它有着非常高的压缩比和读取效率，因此很快取代了之前的RCFile，成为Hive中非常常用的一种文件格式。

2、编译ORC Jar包

http://orc.apache.org/ 下载源代码orc-1.2.1.tar.gz编译jar包
用ubuntu14编译，安装jdk1.8、cmake3.2.2、Maven3.0.5。
解压orc-1.2.1.tar.gz，进入目录orc-1.2.1/java下，执行mvn package编译生成jar文件。
编译完成后进入
orc-1.2.1/java/mapreduce/target获取orc-mapreduce-1.2.1.jar
orc-1.2.1/java/core/target获取orc-core-1.2.1.jar
orc-1.2.1/java/tools/target获取orc-tools-1.2.1.jar
orc-1.2.1/java/tools/target获取orc-tools-1.2.1-uber.jar
orc-1.2.1/java/ storage-api /target获取hive-storage-api-2.1.1-pre-orc.jar
四个jar包导入到MapReduce工程lib目录下。
注意提交到hadoop集群时，第三方独立jar要一并打包。

3、MR读写ORC File基础代码

import java.io.IOException;import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.orc.mapred.OrcStruct;
import org.apache.orc.mapreduce.OrcInputFormat;
import org.apache.orc.mapreduce.OrcOutputFormat;
import org.apache.orc.TypeDescription;public class ORCSample {public static class ORCMapper extends Mapper<NullWritable, OrcStruct, Text, Text> {private Text oKey=new Text();private Text oValue=new Text();public void map(NullWritable key, OrcStruct value, Context context) throws IOException, InterruptedException {//要知道OrcStruct存储的结构StringBuffer bf = new StringBuffer();            if(value.getNumFields()==3){Text valAcount=(Text)value.getFieldValue(0);Text valDomain=(Text)value.getFieldValue(1);Text valPost=(Text)value.getFieldValue(2);bf.append(valAcount.toString()).append("|").append(valDomain.toString()).append("|").append(valPost.toString());}if (bf.length() > 0) oValue.set(bf.toString());else oValue.set("");oKey.set("");context.write(oKey,oValue);}}/*public static class ORCReducer extends Reducer<Text, Text, Text, Text> {public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {for(Text value:values){String strVal=value.toString();Text okey=new Text();okey.set(strVal);context.write(okey,null);}}}*/public static class ORCReducer extends Reducer<Text, Text, NullWritable, OrcStruct> {//具体OrcStruct字段对应hadoop的定义参考https://orc.apache.org/docs/mapreduce.htmlprivate TypeDescription schema = TypeDescription.fromString("struct<account:string,domain:string,post:string>");private OrcStruct orcs = (OrcStruct) OrcStruct.createValue(schema);private final NullWritable nw = NullWritable.get();public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {for (Text val : values) {if(val.toString() ==null) continue;String[] strVals=val.toString().split("\\|");if(strVals.length==3){Text txtAccount=new Text();txtAccount.set(strVals[0]);orcs.setFieldValue(0, txtAccount);Text txtDomain=new Text();txtAccount.set(strVals[1]);orcs.setFieldValue(1, txtDomain);Text txtPost=new Text();txtAccount.set(strVals[2]);orcs.setFieldValue(2, txtPost);context.write(nw, orcs);}              }}}public static void main(String args[]) throws Exception {Configuration conf = new Configuration();//要设置结构，否则reduce会提示输入空值conf.set("orc.mapred.output.schema","struct<account:string,domain:string,post:string>");Job job = new Job(conf, "ORCSample");  job.setJarByClass(ORCSample.class);job.setMapperClass(ORCMapper.class);job.setReducerClass(ORCReducer.class);//map类型设置job.setInputFormatClass(OrcInputFormat.class);job.setMapOutputKeyClass(Text.class);//优先于setOutputKeyClass生效于mapjob.setMapOutputValueClass(Text.class);//reduce类型设置    job.setNumReduceTasks(1);job.setOutputFormatClass(OrcOutputFormat.class);job.setOutputKeyClass(NullWritable.class);job.setOutputValueClass(OrcStruct.class);//job.setOutputKeyClass(Text.class);//对map和reduce输出都生效//job.setOutputValueClass(Text.class);//输入输出路径FileInputFormat.addInputPath(job, new Path(args[0]));FileOutputFormat.setOutputPath(job, new Path(args[1]));System.exit(job.waitForCompletion(true) ? 0 : 1);}
}

MapReduce基础开发之十读写ORC File相关推荐

MapReduce基础开发之十二ChainMapper和ChainReducer使用
1.需求场景: 过滤无意义的单词后再进行文本词频统计.处理流程是: 1)第一个Map使用无意义单词数组过滤输入流: 2)第二个Map将过滤后的单词加上出现一次的标签: 3)最后Reduce输出词 ...
MapReduce基础开发之二数据去重和排序
因Hadoop集群平台网络限制,只能在eclipse里先写好代码再提交jar到集群平台namenode上执行,不能实时调试,所以没有配置eclipse的hadoop开发环境,只是引入了hadoop的l ...
MapReduce基础开发之八HDFS文件CRUD操作
HDFS文件操作的基础代码. package com.hive;import java.io.BufferedInputStream; import java.io.BufferedOutputStr ...
MapReduce基础开发之六Map多输入
在实际MapReduce开发中,会遇到需要数据多输入路径并有对应的Map函数来处理,这需要MultipleInputs.addInputPath(job, path, inputFormatClass ...
MapReduce基础开发之五分布式下载ftp文件到本地再迁移到hdfs
为利用Hadoop集群平台的分布存储和计算能力,基于MapReduce将ftp文件分布式下载并上传到HDFS中. 1.文件移动流程:ftp服务器->datanode本地目录->HDFS目录 ...
MapReduce基础开发之四参数传递
Map和Reduce函数是在各节点进行,如果要在MapReduce数据加工中使用共同参数,要如何传参呢?方法有二: 1.Configuration类的set和get的方法读取xml/txt文件设置或自 ...
MapReduce基础开发之三字段处理并输出Hive表
1.MR设计和开发 1)设计: 输入:用户名 | 数字ip | 时间戳 | url MR处理:正则表达式匹配url,满足则解析url并转换ip和时间戳, 输出:用 ...
MapReduce基础开发之十三FileSystem实现本地文件上传
场景:从本地目录下上传文件到hdfs. 参考代码: package ct.gd;import java.io.BufferedInputStream; import java.io.File; imp ...
MapReduce基础开发之十一DistributedCache使用
1.需求场景: 过滤无意义的单词后再进行文本词频统计.处理流程是: 1)预定义要过滤的无意义单词保存成文件,保存到HDFS中: 2)程序中将该文件定位为作业的缓存文件,使用Distributed ...

MapReduce基础开发之十读写ORC File

MapReduce基础开发之十读写ORC File相关推荐

最新文章

热门文章