我需要处理文本文件的文件夹。文本文件可以是任何扩展名。识别文件夹中用于处理文件的扩展名使用hadoop mapreduce
对于每个扩展,我们需要单独的自定义阅读器来处理hadoop中的文件。
folder1/
Data1.pdf
Data2.xml
Data3.html
Data4.txt
Data5.csv
什么是更好的方式来获得文件夹中文件的扩展名并为我的MR Job设置Custom InputFormat?
我做了什么至今
驱动
FileStatus[] stati = null;
try {
stati = fs.listStatus(in);
} catch (FileNotFoundException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
for (FileStatus status : stati) {
Path path = status.getPath();
System.out.println("Path----> "+path);
/*
* get file extension
*/
String ext = FilenameUtils.getExtension(path.toString());
System.out.println("ext--->"+ext);
if(ext.equals("pdf")){
//custom pdf record reader
job.setInputFormatClass(PdfInputFormat.class);
}
else{
job.setInputFormatClass(TextInputFormat.class);
}
}
但这不会witin的folder1工作,但如果文件夹1只包含.pdf文件能正常工作。
我错过了什么吗?
希望,因为我在文件夹迭代这是行不通的罚款(比如文件夹2 - > Data5.pdf,Data4.csv)。这setInputFormatClass不会向 TextInputFormat.addInputPath任何影响(作业中,)作为inputformat将使用Data4.csv的最后迭代值进行设置。
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(Text.class);
job.setOutputKeyClass(NullWritable.class);
job.setOutputValueClass(NullWritable.class);
job.setMapperClass(MyMapper.class);
job.setReducerClass(MyReducer.class);
job.setOutputFormatClass(TextOutputFormat.class);
try {
TextInputFormat.addInputPath(job, in);
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
TextOutputFormat.setOutputPath(job, out);
编辑
Job job = null;
try {
job = new Job(conf, "TextMining");
} catch (IOException e) {
e.printStackTrace();
}
/*
* check entension
*/
for (FileStatus status : stati) {
Path path = status.getPath();
System.out.println("Path----> "+path);
/*
* get file extension
*/
String ext = FilenameUtils.getExtension(path.toString());
System.out.println("ext--->"+ext);
if(ext.equals("pdf")){
System.out.println("Pdf File Format");
// MultipleInputs.addInputPath(job, path,PdfInputFormat.class, PDFStemmingMapper.class);
job.setInputFormatClass(PdfInputFormat.class);
}
else if(ext.equals("xlsx")){
System.out.println("Excel File Format");
job.setInputFormatClass(ExcelInputFormat.class);
}
else{
System.out.println("normal Text File");
job.setInputFormatClass(TextInputFormat.class);
}
}
job.setJarByClass(Driver.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(Text.class);
job.setOutputKeyClass(NullWritable.class);
job.setOutputValueClass(NullWritable.class);
//job.setInputFormatClass(TextInputFormat.class);
job.setMapperClass(MyMapper.class);
job.setReducerClass(MyReducer.class);
job.setOutputFormatClass(TextOutputFormat.class);
// try {
// TextInputFormat.addInputPath(job, in);
// } catch (IOException e) {
// e.printStackTrace();
// }
TextOutputFormat.setOutputPath(job, out);
我想实现有点像上面。 但是这没有给出任何输出。 请建议。
我如何才能将与MultipleInputs?这足以满足我的情况。 MultipleInputs有助于加入不同的文件,如[this](http://unmeshasreeveni.blogspot.in/2014/12/joining-two-files-using-multipleinput.html)。MultipleInputs是否做得比这更多 –
MultipleInputs通常用于处理不同类型的文件,生成一个通用的输出,因为它是OR,所以可以进一步加入其他处理。例如:1)。从不同类型的文件(XML,JSON,TXT等)中提取订单详细信息。 2)加入是另一种类型的用例,其中“订单和商品详细信息”位于不同的文件中,并且您希望一条输出记录结合两者的详细信息。 **您的用例是什么?** –
第一个是我的用例。我需要处理具有不同文件扩展名的文件夹中的文件 –