java - 是否可以使用 Hadoop Streaming 处理多行记录？

Question

我有这样的记录:

Name: Alan Kay
Email: Alan.Kay@url.com
Date: 09-09-2013

Name: Marvin Minsky
Email: Marvin.Minsky@url.com
City: Boston, MA
Date: 09-10-2013

Name: Alan Turing
City: New York City, NY
Date: 09-10-2013

它们是多行的，但行数并不总是相同，并且它们通常由换行符分隔。我如何将其转换为下面的输出？

Alan Kay|Alan.Kay@url.com||09-09-2013
Marvin Minsky|Marvin.Minsky@url.com|Boston,MA|09-10-2013
Alan Turing||New York City, NY|09-10-2013

Apache Pig 将每一行都视为一条记录，因此它不适合这项任务。 I'm aware of this blog post on processing multi-line records ，但如果有更简单的解决方案，我宁愿不深入研究 Java。有没有办法使用 Hadoop Streaming(或类似 mrjob 的框架)来解决这个问题？

Answer 1

没有捷径可以做到这一点。您必须创建自己的 inputFormat 和 RecordReader 类，然后您可以在 Hadoop 流命令中指定这些类。按照这个:

http://bigdatacircus.com/2012/08/01/wordcount-with-custom-record-reader-of-textinputformat/