java - Hadoop Mapreduce 多个输入文件

Question

所以我需要两个文件作为我的 mapreduce 程序的输入:City.dat 和 Country.dat

在我的主要方法中，我像这样解析命令行参数:

Path cityInputPath = new Path(args[0]);
Path countryInputPath = new Path(args[1]);
Path outputPath = new Path(args[2]);
MultipleInputs.addInputPath(job, countryInputPath, TextInputFormat.class, JoinCountryMapper.class);
MultipleInputs.addInputPath(job, cityInputPath, TextInputFormat.class, JoinCityMapper.class);
FileOutputFormat.setOutputPath(job, outputPath);

如果我现在使用以下命令运行我的程序:

hadoop jar capital.jar org.myorg.Capital /user/cloudera/capital/input/City.dat /user/cloudera/capital/input/Country.dat /user/cloudera/capital/output

我收到以下错误:

Exception in thread "main" org.apache.hadoop.mapred.FileAlreadyExistsException: Output directory /user/cloudera/capital/input/Country.dat already exists

为什么它把这个当作我的输出目录？我指定了另一个目录作为输出目录。有人可以解释一下吗？

Answer 1

根据堆栈跟踪，您的输出目录不为空。所以最简单的事情实际上是在运行作业之前删除它:

bin/hadoop fs -rmr /user/cloudera/capital/output

除此之外，您的参数以您的主类 org.myorg.Capital 的类名开头。这就是第零个索引的参数。 (基于堆栈跟踪和您提供的代码)。

基本上您需要将所有索引向右移动一位:

Path cityInputPath = new Path(args[1]);
Path countryInputPath = new Path(args[2]);
Path outputPath = new Path(args[3]);
MultipleInputs.addInputPath(job, countryInputPath, TextInputFormat.class, JoinCountryMapper.class);
MultipleInputs.addInputPath(job, cityInputPath, TextInputFormat.class, JoinCityMapper.class);
FileOutputFormat.setOutputPath(job, outputPath);

不过不要忘记清除输出文件夹!

还有一个小提示，您可以用逗号“,”分隔文件，这样您就可以像这样通过一次调用来设置它们:

hadoop jar capital.jar org.myorg.Capital /user/cloudera/capital/input/City.dat,/user/cloudera/capital/input/Country.dat

在你的java代码中:

FileInputFormat.addInputPaths(job, args[1]);