码迷,mamicode.com
首页 > 其他好文 > 详细

Hadoop 中SequenceFile的简介

时间:2014-12-10 22:48:16      阅读:280      评论:0      收藏:0      [点我收藏+]

标签:hadoop   sequencefile   顺序文件   

概念

SequenceFile是一个由二进制序列化过的key/value的字节流组成的文本存储文件,它可以在map/reduce过程中的input/output 的format时被使用。在map/reduce过程中,map处理文件的临时输出就是使用SequenceFile处理过的。 所以一般的SequenceFile均是在FileSystem中生成,供map调用的原始文件。

特点

SequenceFile是 Hadoop 的一个重要数据文件类型,它提供key-value的存储,但与传统key-value存储(比如hash表,btree)不同的是,它是append only的,于是你不能对已存在的key进行写操作。
SequenceFile可以作为小文件的容器,可以通过它将小文件包装起来传递给MapReduce进行处理。
SequenceFile提供了两种定位文件位置的方法
  1. seek(long poisitiuion):poisition必须是记录的边界,否则调用next()方法时会报错
  2. sync(long poisition):Poisition可以不是记录的边界,如果不是边界,会定位到下一个同步点,如果Poisition之后没有同步点了,会跳转到文件的结尾位置

状态

SequenceFile 有三种压缩态:

  1.   Uncompressed – 未进行压缩的状
  2.   record compressed - 对每一条记录的value值进行了压缩(文件头中包含上使用哪种压缩算法的信息)
  3.   block compressed – 当数据量达到一定大小后,将停止写入进行整体压缩,整体压缩的方法是把所有的keylength,key,vlength,value 分别合在一起进行整体压缩,块的压缩效率要比记录的压缩效率高

格式

每一个SequenceFile都包含一个“头”(header)Header包含了以下几部分。

1.SEQ三个字母的byte数组

2.Version numberbyte,目前为数字3byte

3.KeyValue的类名

4.压缩相关的信息

5.其他用户定义的元数据

6.同步标记,sync marker

对于每一条记录(K-V),其内部格式根据是否压缩而不同。SequenceFile的压缩方式有两种,“记录压缩”(record compression)和“块压缩”(block compression)。如果是记录压缩,则只压缩Value的值。如果是块压缩,则将多条记录一并压缩,包括KeyValue。具体格式如下面两图所示:

bubuko.com,布布扣

bubuko.com,布布扣

 

扩展实现

  1. MapFile  一个key-value 对应的查找数据结构,由数据文件/data 和索引文件 /index 组成,数据文件中包含所有需要存储的key-value对,按key的顺序排列。索引文件包含一部分key值,用以指向数据文件的关键位置
  2. SetFile – 基于 MapFile 实现的,他只有key,value为不可变的数据。
  3. ArrayFile – 也是基于 MapFile 实现,他就像我们使用的数组一样,key值为序列化的数字。      
  4. BloomMapFile – 他在 MapFile 的基础上增加了一个 /bloom 文件,包含的是二进制的过滤表,在每一次写操作完成时,会更新这个过滤表。

操作

读写文件
package com.eric.hadoop.io.sequencefile;
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.IOUtils;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.SequenceFile;
import org.apache.hadoop.io.Text;
/**
 * @author Eric.sunah 2014年12月10日
 *
 */
public class SequenceFileDemo {
 
 private static final String OPERA_FILE = "./output.seq";
 /**
  * 随便从网上截取的一段文本
  */
 private static String[]    testArray = { "<plugin>                                                                     ",
         "  <groupId>org.apache.avro</groupId>                                         ",
         "  <artifactId>avro-maven-plugin</artifactId>                                 ",
         "  <version>1.7.7</version>                                                   ",
         "  <executions>                                                               ",
         "    <execution>                                                              ",
         "      <phase>generate-sources</phase>                                        ",
         "      <goals>                                                                ",
         "        <goal>schema</goal>                                                  ",
         "      </goals>                                                               ",
         "      <configuration>                                                        ",
         "        <sourceDirectory>${project.basedir}/src/main/avro/</sourceDirectory> ",
         "        <outputDirectory>${project.basedir}/src/main/java/</outputDirectory> ",
         "      </configuration>                                                       ",
         "    </execution>                                                             ",
         "  </executions>                                                              ",
         "</plugin>                                                                    ",
         "<plugin>                                                                     ",
         "  <groupId>org.apache.maven.plugins</groupId>                                ",
         "  <artifactId>maven-compiler-plugin</artifactId>                             ",
         "  <configuration>                                                            ",
         "    <source>1.6</source>                                                     ",
         "    <target>1.6</target>                                                     ",
         "  </configuration>                                                           ", "</plugin>"};
 
 public static void main(String[] args) throws IOException {
  writeSequenceFile(OPERA_FILE);
  readSequenceFile(OPERA_FILE);
 }
 
 private static void readSequenceFile(String inputFile) throws IOException {
  Configuration config = new Configuration();
  Path path = new Path(inputFile);
  SequenceFile.Reader reader = null;
  try {
   
   FileSystem fs = FileSystem.get(URI.create(inputFile), config);
   reader = new SequenceFile.Reader(fs, path, config);
   IntWritable key = new IntWritable();
   Text value = new Text();
   long posion = reader.getPosition();
   // reader.next()返回非空的话表示正在读,如果返回null表示已经读到文件结尾的地方
   while (reader.next(key, value)) {
    //打印同步点的位置信息
    String syncMark = reader.syncSeen() ? "*" : "";
    System.out.printf("[%s\t%s]\t%s\t%s\n", posion, syncMark, key, value);
    posion = reader.getPosition();
   }
  } finally {
   IOUtils.closeStream(reader);
  }
 
 }
 
 /**
  * 写Sequence File 文件
  *
  * @param outputFile
  * @throws IOException
  */
 private static void writeSequenceFile(String outputFile) throws IOException {
  Configuration config = new Configuration();
  Path path = new Path(outputFile);
  IntWritable key = new IntWritable();
  Text value = new Text();
  SequenceFile.Writer writer = null;
  try {
   
   FileSystem fs = FileSystem.get(URI.create(outputFile), config);
   writer = SequenceFile.createWriter(fs, config, path, key.getClass(), value.getClass());
   for (int i = 1; i < 2000; i++) {
    key.set(2000 - i);
    value.set(testArray[i % testArray.length]);
    System.out.printf("[%s]\t%s\t%s\n", writer.getLength() + "", key, value);
    // 通过Append方法进行写操作
    writer.append(key, value);
   }
  } finally {
   IOUtils.closeStream(writer);
  }
 
 }
}




Hadoop 中SequenceFile的简介

标签:hadoop   sequencefile   顺序文件   

原文地址:http://blog.csdn.net/eric_sunah/article/details/41854731

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!