Hadoop中基于文件的数据格式(1)SequenceFile

1 概述

1 SequenceFile是Hadoop为例存储二进制的<k,v>而设计的一种平面文件。
2 SequenceFile的key和value是writable或者writable子类。
3 SequenceFile的存储不按照key排序,内部类Writer提供了append方法。
4 SequenceFile作为一个容器,可以将小文件打包到SequenceFile,高效对小文件进行存储和处理。


2 压缩类型

根据CompressionType的不同,有如下压缩类型
NONE:不压缩。每个记录有key长度、value长度、key、value组成,长度字段分别为4字节。
RECORD: 记录压缩。结构与NONE非常类似,用定义在头部的编码器压缩value,key不压缩。
BLOCK:块压缩。一次压缩多条记录,当记录字节数达到一个阈值则天际到块,io.seqfile.compress.blocksize控制。格式为:记录数,键长度,键,值长度,值。

分别对应Writer:

Writer : Uncompressed records
RecordCompressWriter : Record-compressed files, only compress values
BlockCompressWriter : Block-compressed files, both keys & values are collected in 'blocks' separately and compressed. The size of the 'block' is configurable


3 特点

优点

1 支持基于record和block的压缩

2 支持splittable,能够为Mapreduce作为输入分片

3 修改简单,只需要按照业务逻辑修改,不要考虑具体存储格式

缺点

合并后的文件不易查看。hadoop fs -cat看不到,hadoop fs -text可以看到。


4 代码

import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.SequenceFile;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.Writable;
import org.apache.hadoop.util.ReflectionUtils;

public class SequenceTest {

	public static final String Output_path = "hdfs://192.x.x.x:9000/a.txt";
	private static final String[] DATA = { "a", "b", "c", };

	@SuppressWarnings("deprecation")
	public static void write(String pathStr) throws IOException {
		Configuration conf = new Configuration();
		Path path = new Path(pathStr);
		FileSystem fs = path.getFileSystem(conf);
		
		SequenceFile.Writer writer = SequenceFile.createWriter(fs, conf, path,
				Text.class, IntWritable.class);
		Text key = new Text();
		IntWritable value = new IntWritable();
		for (int i = 0; i < DATA.length; i++) {
			key.set(DATA[i]);
			value.set(i);
			System.out.printf("[%s]\t%s\t%s\n", writer.getLength(), key, value);
			writer.append(key, value);
		}
		IOUtils.closeStream(writer);
	}

	@SuppressWarnings("deprecation")
	public static void read(String pathStr) throws IOException {
		Configuration conf = new Configuration();
		Path path = new Path(pathStr);
		FileSystem fs = path.getFileSystem(conf);
		SequenceFile.Reader reader = new SequenceFile.Reader(fs, new Path(
				pathStr), conf);
		
		Writable key = (Writable) ReflectionUtils.newInstance(
				reader.getKeyClass(), conf);
		Writable value = (Writable) ReflectionUtils.newInstance(
				reader.getValueClass(), conf);

		while (reader.next(key, value)) {
			System.out.printf("%s\t%s\n", key, value);
		}
		IOUtils.closeStream(reader);
	}

	public static void main(String[] args) throws IOException {
		write(Output_path);
		read(Output_path);
	}
}

优秀的个人博客,低调大师

微信关注我们

原文链接:https://yq.aliyun.com/articles/67305

转载内容版权归作者及来源网站所有!

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。

相关文章

发表评论

资源下载

更多资源
Mario,低调大师唯一一个Java游戏作品

Mario,低调大师唯一一个Java游戏作品

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长,特征是大鼻子、头戴帽子、身穿背带裤,还留着胡子。与他的双胞胎兄弟路易基一起,长年担任任天堂的招牌角色。

Oracle Database,又名Oracle RDBMS

Oracle Database,又名Oracle RDBMS

Oracle Database,又名Oracle RDBMS,或简称Oracle。是甲骨文公司的一款关系数据库管理系统。它是在数据库领域一直处于领先地位的产品。可以说Oracle数据库系统是目前世界上流行的关系数据库管理系统,系统可移植性好、使用方便、功能强,适用于各类大、中、小、微机环境。它是一种高效率、可靠性好的、适应高吞吐量的数据库方案。

Apache Tomcat7、8、9(Java Web服务器)

Apache Tomcat7、8、9(Java Web服务器)

Tomcat是Apache 软件基金会(Apache Software Foundation)的Jakarta 项目中的一个核心项目,由Apache、Sun 和其他一些公司及个人共同开发而成。因为Tomcat 技术先进、性能稳定,而且免费,因而深受Java 爱好者的喜爱并得到了部分软件开发商的认可,成为目前比较流行的Web 应用服务器。

Java Development Kit(Java开发工具)

Java Development Kit(Java开发工具)

JDK是 Java 语言的软件开发工具包,主要用于移动设备、嵌入式设备上的java应用程序。JDK是整个java开发的核心,它包含了JAVA的运行环境(JVM+Java系统类库)和JAVA工具。