在hadoop的编程中输入输出参数路径的设定

在hadoop的编程中，如果你是手写MapReduce来处理一些数据，那么就避免不了输入输出参数路径的设定，hadoop里文件基类FileInputFormat提供了如下几种api来制定：




如上图，里面有
（1）addInputPath()，每次添加一个输入路径Path
（2）addInputPaths， 将多个路径以逗号分割的字符串，作为入参，支持多个路径
（3）setInputPath ，设置一个输入路径Path，会覆盖原来的路径
（4）setInputPath ， 设置多个路径，支持Hadoop文件系统重写的Path对象，这在JAVA里是接口。

代码如下：

Java代码  

1. FileInputFormat.setInputDirRecursive(job, true);//设置可以递归读取目录  
2. FileInputFormat.addInputPath(job, new Path("path1"));  
3. FileInputFormat.addInputPaths(job, "path1,path2,path3,path....");  
4. FileInputFormat.setInputPaths(job, new Path("path1"),new Path("path2"));  
5. FileInputFormat.setInputPaths(job, "path1,path2,path3,path....");  

   FileInputFormat.setInputDirRecursive(job, true);//设置可以递归读取目录
			FileInputFormat.addInputPath(job, new Path("path1"));
			FileInputFormat.addInputPaths(job, "path1,path2,path3,path....");
			FileInputFormat.setInputPaths(job, new Path("path1"),new Path("path2"));
			FileInputFormat.setInputPaths(job, "path1,path2,path3,path....");

而真正用的时候，我们只需要根据业务使用上面的其中一个路径即可。
ok知道怎么，传入路径了，下面来看下，如何在HDFS上过滤出，自己想要的文件或目录，HDFS系统的路径默认是支持正则过滤的，这一点非常强大，只要我们会写正则，我们几乎可以过滤任何我们想要的路径或文件。

详细内容请查阅这个链接http://hadoop.apache.org/docs/current/api/org/apache/hadoop/fs/FileSystem.html#globStatus(org.apache.hadoop.fs.Path)
下面散仙就举个实际项目应用中的例子，这样能帮助大家更好的理解和使用它。
先看下面的一个HDFS上的存储结构图：





这是一个按日期每天生成的一个文件夹，当然这里可以有很多分维度的法，比如按照年，月，日，小时，来划分，具体情况应跟业务结合考虑。

看下，直接的根目录的下一级目录：




ok，存储结构清楚了，那么现在提几个需求

（1）只过滤出pv目录下的数据
（2）只过滤出uv目录下的数据
（3）只过滤出keyword目录下的数据
（4）只过滤出pv和uv的数据或者叫以v结尾的数据
（5）过滤2015年的数据
（6）过滤出某个时间范围内的数据比如2015-04-10到2015-04-17时间范围下的pv的数据


其实前个需求很简单都是一种需求：

hadoop里的FileStatus类是支持路径通配的，对应的写法如下：

Java代码  

1. FileSystem fs = FileSystem.get(conf);  
2. //  
3. //过滤pv或uv的目录数据  
4.   String basepath="/user/d1/DataFileShare/Search/*/*/{pv,uv}";  
5. //过滤v结尾的目录数据  
6.   String basepath="/user/d1/DataFileShare/Search//*/*/*v";  
7. //过滤uv的数据  
8.   String basepath="/user/d1/DataFileShare/Search//*/*/uv";  
9. //过滤pv的数据  
10.   String basepath="/user/d1/DataFileShare/Search//*/*/pv";  
11.   
12. //过滤2015年的pv的数据  
13. String basepath="/user/d1/DataFileShare/Search/2015*/*/pv";    
14. //获取globStatus  
15. FileStatus[] status = fs.globStatus(new Path(basepath));  
16. for(FileStatus f:status){  
17.     //打印全路径，  
18.     System.out.println(f.getPath().toString());  
19.     //打印最后一级目录名  
20.     //System.out.println(f.getPath().getName());  
21. }  

	        FileSystem fs = FileSystem.get(conf);
	        //
	        //过滤pv或uv的目录数据
//	        String basepath="/user/d1/DataFileShare/Search/*/*/{pv,uv}";
	        //过滤v结尾的目录数据
//	        String basepath="/user/d1/DataFileShare/Search//*/*/*v";
	        //过滤uv的数据
//	        String basepath="/user/d1/DataFileShare/Search//*/*/uv";
	        //过滤pv的数据
//	        String basepath="/user/d1/DataFileShare/Search//*/*/pv";
	        
	        //过滤2015年的pv的数据
	        String basepath="/user/d1/DataFileShare/Search/2015*/*/pv";  
	        //获取globStatus
	        FileStatus[] status = fs.globStatus(new Path(basepath));
	        for(FileStatus f:status){
	        	//打印全路径，
	        	System.out.println(f.getPath().toString());
	        	//打印最后一级目录名
	        	//System.out.println(f.getPath().getName());
	        }

最后一个复杂，直接使用正则，会比较繁琐，而且假如有一些其他的逻辑在里面会比较难控制，比如说你拿到这个日期，会从redis里面再次匹配，是否存在，然后在做某些决定。

hadoop在globStatus的方法里，提供了一个路径重载，根据PathFilter类，通过正则再次过滤出我们需要的文件即可，使用此类，我们可以以更灵活的方式，操作，过滤路径，比如说上面的那个日期范围的判断，我们就可以根据全路径中，截取出日期，再做一些判断，并且可以再次过滤低级的路径，比如是pv，uv或keyword的路径。

实例代码如下：

调用代码：

Java代码  

1. FileStatus[] status = fs.globStatus(new Path(basepath),new RegexExcludePathAndTimeFilter(rexp_date,rexp_business, "2015-04-04",  "2015-04-06"));  

 FileStatus[] status = fs.globStatus(new Path(basepath),new RegexExcludePathAndTimeFilter(rexp_date,rexp_business, "2015-04-04",  "2015-04-06"));

处理代码：

Java代码  

1. /** 
2.      * 实现PathFilter接口使用正则过滤 
3.      * 所需数据 
4.      * 加强版，按时间范围,路径过滤 
5.      * @author qindongliang 
6.      * 大数据交流群：(1号群) 376932160 (2号群) 415886155 
7.      *  
8.      * **/  
9.     static class RegexExcludePathAndTimeFilter implements PathFilter{  
10.          //日期的正则  
11.          private final  String regex;  
12.          //时间开始过滤  
13.          private final  String start;  
14.          //时间结束过滤  
15.          private final  String end;  
16.          //业务过滤  
17.          private final  String regex_business;  
18.        
19.         public RegexExcludePathAndTimeFilter(String regex,String regex_business,String start,String end) {  
20.             this.regex=regex;  
21.             this.start=start;  
22.             this.end=end;  
23.             this.regex_business=regex_business;  
24.         }  
25.           
26.         @Override  
27.         public boolean accept(Path path) {  
28.             String data[]=path.toString().split("/");  
29.             String date=data[7];  
30.             String business=data[9];  
31.             return  Pattern.matches(regex_business, business)&&Pattern.matches(regex,date) && TimeTools.checkDate(start, end, date);  
32.         }  
33.           
34.           
35.           
36.     }  
37.       
38.     /**日期比较的工具类**/  
39.     static class TimeTools{  
40.           
41.         final static String DATE_FORMAT="yyyy-MM-dd";  
42.           
43.         final static SimpleDateFormat sdf=new SimpleDateFormat(DATE_FORMAT);  
44.           
45.         public static boolean cnull(String checkString){  
46.             if(checkString==null||checkString.equals("")){  
47.                 return false;  
48.             }  
49.             return true;  
50.         }  
51.           
52.         /** 
53.          * @param start 开始时间 
54.          * @param end 结束时间 
55.          * @param path 比较的日期路径 
56.          * **/  
57.         public static boolean checkDate(String start,String end,String path){  
58.             long startlong=0;  
59.             long endlong=0;  
60.             long pathlong=0;  
61.             try{  
62.              if(cnull(start)){  
63.                  startlong=sdf.parse(start).getTime();  
64.              }  
65.              if(cnull(end)){  
66.                  endlong=sdf.parse(end).getTime();  
67.              }  
68.              if(cnull(path)){  
69.                  pathlong=sdf.parse(path).getTime();  
70.              }  
71.             //当end日期为空时，只取start+的日期  
72.             if(end==null||end.equals("")){  
73.                 if(pathlong>=startlong){  
74.                     return true;  
75.                 }else{  
76.                     return false;  
77.                 }  
78.             }else{//当end不为空时，取日期范围直接比较  
79.                 //过滤在规定的日期范围之内  
80.                 if(pathlong>=startlong&&pathlong<=endlong){  
81.                     return true;  
82.                 }else{  
83.                     return false;  
84.                 }  
85.                   
86.             }  
87.               
88.             }catch(Exception e){  
89.                 log.error("路径日期转换异常: 开始日期:  "+start+"  结束日期 "+end+"  比较日期： "+path+"  异常： "+e);  
90.             }  
91.               
92.             return false;  
93.         }  

/**
	 * 实现PathFilter接口使用正则过滤
	 * 所需数据
	 * 加强版，按时间范围,路径过滤
	 * @author qindongliang
	 * 大数据交流群：(1号群) 376932160 (2号群) 415886155
	 * 
	 * **/
	static class RegexExcludePathAndTimeFilter implements PathFilter{
		 //日期的正则
		 private final  String regex;
		 //时间开始过滤
		 private final  String start;
		 //时间结束过滤
		 private final  String end;
		 //业务过滤
		 private final  String regex_business;
	 
		public RegexExcludePathAndTimeFilter(String regex,String regex_business,String start,String end) {
			this.regex=regex;
			this.start=start;
			this.end=end;
			this.regex_business=regex_business;
		}
		
		@Override
		public boolean accept(Path path) {
			String data[]=path.toString().split("/");
			String date=data[7];
			String business=data[9];
			return  Pattern.matches(regex_business, business)&&Pattern.matches(regex,date) && TimeTools.checkDate(start, end, date);
		}
		
		
		
	}
	
	/**日期比较的工具类**/
	static class TimeTools{
		
		final static String DATE_FORMAT="yyyy-MM-dd";
		
		final static SimpleDateFormat sdf=new SimpleDateFormat(DATE_FORMAT);
		
		public static boolean cnull(String checkString){
			if(checkString==null||checkString.equals("")){
				return false;
			}
			return true;
		}
		
		/**
		 * @param start 开始时间
		 * @param end 结束时间
		 * @param path 比较的日期路径
		 * **/
		public static boolean checkDate(String start,String end,String path){
			long startlong=0;
			long endlong=0;
			long pathlong=0;
			try{
			 if(cnull(start)){
				 startlong=sdf.parse(start).getTime();
			 }
			 if(cnull(end)){
				 endlong=sdf.parse(end).getTime();
			 }
			 if(cnull(path)){
				 pathlong=sdf.parse(path).getTime();
			 }
			//当end日期为空时，只取start+的日期
			if(end==null||end.equals("")){
				if(pathlong>=startlong){
					return true;
				}else{
					return false;
				}
			}else{//当end不为空时，取日期范围直接比较
				//过滤在规定的日期范围之内
				if(pathlong>=startlong&&pathlong<=endlong){
					return true;
				}else{
					return false;
				}
				
			}
			
			}catch(Exception e){
				log.error("路径日期转换异常: 开始日期:  "+start+"  结束日期 "+end+"  比较日期： "+path+"  异常： "+e);
			}
			
			return false;
		}

总结：

（1）如果只是简单的路径过滤，那么直接在路径中就使用正则通配是最简单强大的。

（2）如果是比较复杂的路径过滤，建议自定义PathFilter来封装过滤代码。

（3）如果是在建设初期的就把各个文件夹目录文件的存储规划好，这样是最好不过了，比如上面的pv是一个文件夹，然后下面是各个日期，uv是一个文件夹，然后下面是各种日期，这样从业务的角度就按维度切分好，那么我们处理起来也是非常方便的，这也就是Hive里面对应的分区功能，有了分区，我们就可以按需所取，尽量避免不必要的一些额外操作。