读取SequenceFile中自定义Writable类型值

1）hadoop允许程序员创建自定义的数据类型，如果是key则必须要继承WritableComparable，因为key要参与排序，而value只需要继承Writable就可以了。以下定义一个DoubleArrayWritable，继承自ArrayWritable。代码如下：

package matrix;
import org.apache.hadoop.io.*;
public class DoubleArrayWritable extends ArrayWritable {   
      public DoubleArrayWritable(){
          super(DoubleWritable.class);
      }
      public  double[] convert2double(DoubleWritable[] w){
          double[] value=new double[w.length];
          for (int i = 0; i < value.length; i++) {
              value[i]=Double.valueOf(w[i].get());
          }
          return value;
      }
      

    }
    
   

2)以下就是读取tansB.txt文件，将其值转化为DoubleArrayWritable存储到SequenceFile中。

package convert;

/**
 * Created with IntelliJ IDEA.
 * User: hadoop
 * Date: 16-1-19
 * Time: 下午3:09
 * To change this template use File | Settings | File Templates.
 */
import java.io.IOException;
import java.net.URI;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.DoubleWritable;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.SequenceFile;
import org.apache.hadoop.io.Text;
import org.apache.commons.io.FileUtils;
import org.apache.commons.io.LineIterator;



//import Jama.Matrix.*;
//import  java.io.IOException;
import java.io.File;

//import javax.sound.midi.SysexMessage;
public class SequenceFileWriteDemo {
    public static void main(String[] args) throws IOException {
        String uri ="/home/hadoop/srcData/bDoubleArraySeq";
        Configuration conf = new Configuration();
        FileSystem fs = FileSystem.get(URI.create(uri), conf);
        Path path = new Path(uri);
        IntWritable key = new IntWritable();
        DoubleArrayWritable value = new DoubleArrayWritable();
        SequenceFile.Writer writer = null;
        try {
            writer = SequenceFile.createWriter(fs, conf, path, key.getClass(),
                    value.getClass());


            final LineIterator it2 = FileUtils.lineIterator(new File("/home/hadoop/srcData/transB.txt"), "UTF-8");
            try {
                int i=0;
                String[] strings;
                DoubleWritable[] ArrayDoubleWritables;
                while (it2.hasNext()) {
                    ++i;
                    final String line = it2.nextLine();
                    key.set(i);
                    strings=line.split("	");
                    ArrayDoubleWritables=new DoubleWritable[strings.length];
                    for (int j = 0; j < ArrayDoubleWritables.length; j++) {
                        ArrayDoubleWritables[j] =new DoubleWritable(Double.valueOf(strings[j]));
                        
                    }
                    
                    value.set(ArrayDoubleWritables);
                    writer.append(key,value);
                    //System.out.println("ffd");

                }
            } finally {
                it2.close();
            }

        }finally {
            IOUtils.closeStream(writer);
        }
        System.out.println("ok");

    }

}

3)将Seq文件上传，然后使用命令查看此Seq文件中的内容：

hadoop fs -text /lz/data/transBSeq

结果提示：

 java.lang.RuntimeException: java.io.IOException: WritableName can't load class:matrix.DoubleArrayWritable

4）原因是新定义的Double数组属于第三方包，hadoop不能直接识别，需要将其以上DoubleArrayWritable的源码打成jar包，然后将此jar包的路径在Master端的hadoop-env.sh文件中配置，在其中加入第三方类的位置信息,多个jar包用逗号（,）分割：

export HADOOP_CLASSPATH=/home/hadoop/DoubleArrayWritable.jar;

如下所示，将自定义的DoubleArrayWritable和IntArrayWritable加入到Hadoop_classpath路径中，设置hadoop的环境参数值时可以不加双引号“”，多个jar包以逗号分割，如下所示：

5)然后，使用hadoop fs -text /lz/data/transBSeq就可以看到文件的内容了。如下所示：

可以看到，就是把内存中的对象，持久化存储到了文件中(序列化就是实现内存中”活对象“的持久化存储)，为什么看不到具体的内容呢(我明明存储的是一个double数组呀)？我们看到的这个convert.DoubleArrayWritable@264b62a2就是内存中对象的序列化之后的结果，再将这个反序列化之后就可以看到你的double数组了。

参考：

http://www.eveningdrum.com/2014/05/04/hadoop%E4%BD%BF%E7%94%A8%E7%AC%AC%E4%B8%89%E6%96%B9%E4%BE%9D%E8%B5%96jar%E5%8C%85/

6）SequenceFile被称为小文件的容器，主要是用来处理小文件的问题，一般小文件远远小于hadoop物理块的大小,那么分片的时候就会将一个小文件切分为一个单独的分片，而一个分片对应一个mapper，如果有大量的小文件，那么运行mapreduce作业的时候就会启动大量的mapper，增加调度开销，而一个mapper运行时间又很小，因此为了优化小文件的问题，提出了SequenceFile文件格式，这种文件由二进制形式的key-value组成，如果将key设计为文件名称，value为文件内容的话，就将大批小文件合并为一个大文件，SequenceFile也就成了名副其实的小文件容器。（http://www.aliog.com/19501.html，http://dongxicheng.org/mapreduce/hdfs-small-files-solution/）