使用MapReduce中的globStatus过滤输入文件

Question

我有很多输入文件，我想根据最后附加的日期处理选定的文件。 我现在很困惑我在哪里使用globStatus方法来过滤掉文件。

我有一个自定义的RecordReader类，我试图在其下一个方法中使用globStatus，但它没有成功。

public boolean next(Text key, Text value) throws IOException {
    Path filePath = fileSplit.getPath();

    if (!processed) {
        key.set(filePath.getName());

        byte[] contents = new byte[(int) fileSplit.getLength()];
        value.clear();
        FileSystem fs = filePath.getFileSystem(conf);
        fs.globStatus(new Path("/*" + date));
        FSDataInputStream in = null;

        try {
            in = fs.open(filePath);
            IOUtils.readFully(in, contents, 0, contents.length);
            value.set(contents, 0, contents.length);
        } finally {
            IOUtils.closeStream(in);
        }
        processed = true;
        return true;
    }
    return false;
}

我知道它返回一个FileStatus数组，但我如何使用它来过滤文件。 有人可以解释一下吗？

Answer 1

globStatus方法有2个免费参数，允许您过滤文件。 第一个是glob模式，但有时glob模式不足以过滤特定文件，在这种情况下，您可以定义PathFilter 。

关于glob模式，支持以下内容：

Glob   | Matches
-------------------------------------------------------------------------------------------------------------------
*      | Matches zero or more characters
?      | Matches a single character
[ab]   | Matches a single character in the set {a, b}
[^ab]  | Matches a single character not in the set {a, b}
[a-b]  | Matches a single character in the range [a, b] where a is lexicographically less than or equal to b
[^a-b] | Matches a single character not in the range [a, b] where a is lexicographically less than or equal to b
{a,b}  | Matches either expression a or b
\c     | Matches character c when it is a metacharacter

PathFilter只是一个这样的接口：

public interface PathFilter {
    boolean accept(Path path);
}

因此，您可以实现此接口并实现accept方法，您可以将逻辑放在过滤文件中。

Tom White的优秀书籍中的一个示例，它允许您定义PathFilter以过滤与特定正则表达式匹配的文件：

public class RegexExcludePathFilter implements PathFilter {
    private final String regex;

    public RegexExcludePathFilter(String regex) {
        this.regex = regex;
    }

    public boolean accept(Path path) {
        return !path.toString().matches(regex);
    }
}

通过在初始化作业时调用FileInputFormat.setInputPathFilter(JobConf, RegexExcludePathFilter.class) ，可以使用PathFilter实现直接过滤输入。

编辑 ：由于你必须在setInputPathFilter传递类，你不能直接传递参数，但你应该能够通过使用Configuration来做类似的事情。 如果使RegexExcludePathFilter也从Configured扩展，您可以使用所需的值返回一个之前已初始化的Configuration对象，这样您就可以在过滤器中取回这些值并在accept处理它们。

例如，如果您初始化如下：

conf.set("date", "2013-01-15");

然后你可以像这样定义你的过滤器：

public class RegexIncludePathFilter extends Configured implements PathFilter {
    private String date;
    private FileSystem fs;

    public boolean accept(Path path) {
        try {
            if (fs.isDirectory(path)) {
                return true;
            }
        } catch (IOException e) {}
        return path.toString().endsWith(date);
    }

    public void setConf(Configuration conf) {
        if (null != conf) {
            this.date = conf.get("date");
            try {
                this.fs = FileSystem.get(conf);
            } catch (IOException e) {}
        }
    }
}

编辑2 ：原始代码存在一些问题，请参阅更新的类。 您还需要删除构造函数，因为它不再使用，并检查是否是一个目录，在这种情况下您应该返回true，以便也可以过滤目录的内容。

Answer 2

对于阅读此内容的任何人，我是否可以说“请不要在过滤器中做任何比验证路径更复杂的事情”。 具体来说：不要检查作为目录的文件，获取它们的大小等。等待列表/ glob操作返回，然后使用填充的FileStatus条目中的信息在那里进行过滤。

为什么？ 所有这些直接或通过isDirectory()调用getFileStatus()对文件系统进行不必要的调用，这些调用会在HDFS集群上添加不必要的namenode负载。 更重要的是，针对S3和其他对象存储，每个操作都可能发出多个HTTPS请求 - 而这些确实需要花费大量时间。 更好的是，如果S3认为您在整个机器群集中发出过多请求，S3会限制您。 你不希望这样。

Wit直到调用之后 - 您获得的文件状态条目是来自对象存储列表命令的那些，这通常会为每个HTTPS请求返回数千个文件条目，因此效率更高。

有关更多详细信息，请检查org.apache.hadoop.fs.s3a.S3AFileSystem的源代码。