我最近开始使用hadoop,只是创建了自己的inputformat来处理pdf。
由于某些原因,我的自定义recordreader类没有调用它的initialize方法(用sysout检查,因为我还没有设置调试环境)
我在Windows7 32位上运行Hadoop2.2.0。用yarn jar做我的调用,因为hadoop jar在windows下被窃听了。。。
import ...
public class PDFInputFormat extends FileInputFormat<Text, Text>
{
@Override
public RecordReader<Text, Text> getRecordReader(InputSplit arg0,
JobConf arg1, Reporter arg2) throws IOException
{
return new PDFRecordReader();
}
public static class PDFRecordReader implements RecordReader<Text, Text>
{
private FSDataInputStream fileIn;
public String fileName=null;
HashSet<String> hset=new HashSet<String>();
private Text key=null;
private Text value=null;
private byte[] output=null;
private int position = 0;
@Override
public Text createValue() {
int endpos = -1;
for (int i = position; i < output.length; i++){
if (output[i] == (byte) '\n') {
endpos = i;
}
}
if (endpos == -1) {
return new Text(Arrays.copyOfRange(output,position,output.length));
}
return new Text(Arrays.copyOfRange(output,position,endpos));
}
@Override
public void initialize(InputSplit genericSplit, TaskAttemptContext job) throws
IOException, InterruptedException
{
System.out.println("initialization is called");
FileSplit split=(FileSplit) genericSplit;
Configuration conf=job.getConfiguration();
Path file=split.getPath();
FileSystem fs=file.getFileSystem(conf);
fileIn= fs.open(split.getPath());
fileName=split.getPath().getName().toString();
System.out.println(fileIn.toString());
PDDocument docum = PDDocument.load(fileIn);
ByteArrayOutputStream boss = new ByteArrayOutputStream();
OutputStreamWriter ow = new OutputStreamWriter(boss);
PDFTextStripper stripper=new PDFTextStripper();
stripper.writeText(docum, ow);
ow.flush();
output = boss.toByteArray();
}
}
}
2条答案
按热度按时间yws3nbqq1#
我昨晚想出来了,我可能会帮别人:
recordreader是一个不推荐使用的hadoop接口(hadoop.common.mapred),它实际上不包含initialize方法,这就解释了为什么不能自动调用它。
通过扩展hadoop.common.mapreduce中的recordreader类,可以扩展该类的initialize方法。
qqrboqgw2#
这个
System.out.println()
运行作业时可能没有帮助。以确保您的initialize()
是叫还是不试试扔一些RuntimeException
具体如下:这绝对可以。