未调用自定义recordreader initialize

h9vpoimq  于 2021-06-03  发布在  Hadoop
关注(0)|答案(2)|浏览(367)

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();

            }
        }

}
yws3nbqq

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。

qqrboqgw

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:

@Override
            public void initialize(InputSplit genericSplit, TaskAttemptContext job) throws
            IOException, InterruptedException
            {
               throw new NullPointerException("inside initialize()");
               ....

这绝对可以。

相关问题