java - 如何将多个输入格式文件传递给 map-reduce 作业？

Question

我正在编写 map-reduce 程序来查询 cassandra 列族。我只需要从一个列族中读取行的子集(使用行键)。我有一组我必须阅读的行键。如何将“行键集”传递给 map reduce 作业，以便它只能输出 cassandra columnfamily 中的那些行子集？

抽象的:

enter code here

  class GetRows()
  {
   public set<String> getRowKeys()
   {
     logic.....
     return set<string>;
   }
  }


  class MapReduceCassandra()
  {
    inputformat---columnFamilyInputFormat
     .
     ;
    also need input key-set .. How to get it?
  } 

任何人都可以建议从java应用程序调用mapreduce的最佳方法以及如何将一组键传递给mapreduce？

Answer 1

从 Java 调用 map reduce

为此，您可以使用 org.apache.hadoop.mapreduce 中的类。命名空间(你可以使用旧的 mapred 使用非常相似的方法，只需检查 API 文档)从你的 java 应用程序中:

Job job = Job.getInstance(new Configuration());
// configure job: set input and output types and directories, etc.

job.setJarByClass(MapReduceCassandra.class);
job.submit();

将数据传递给 mapreduce 作业

如果您的行键集非常小，您可以将其序列化为字符串，并将其作为配置参数传递:

job.getConfiguration().set("CassandraRows", getRowsKeysSerialized()); // TODO: implement serializer

//...

job.submit();

在作业中，您将能够通过上下文对象访问参数:

public void map(
    IntWritable key,  // your key type
    Text value,       // your value type
    Context context
)
{
    // ...

    String rowsSerialized = context.getConfiguration().get("CassandraRows");
    String[] rows = deserializeRows(rowsSerialized);  // TODO: implement deserializer

    //...
}

但是，如果您的集合可能是无限的，则将其作为参数传递将是一个坏主意。相反，您应该在文件中传递 key ，并利用分布式缓存。
然后，您可以在提交作业之前将此行添加到上面的部分:

job.addCacheFile(new Path(pathToCassandraKeySetFile).toUri());

//...

job.submit();

在作业中，您将能够通过上下文对象访问此文件:

public void map(
    IntWritable key,  // your key type
    Text value,       // your value type
    Context context
)
{
    // ...

    URI[] cacheFiles = context.getCacheFiles();

    // find, open and read your file here

    // ...
}

注意 :所有这些都是针对新 API ( org.apache.hadoop.mapreduce)。如果您使用 org.apache.hadoop.mapred该方法非常相似，但在不同的对象上调用了一些相关方法。