Hadoop文件的存储格式

sequence文件存储格式

1. txt
   1. 纯文本格式，若干行记录。默认用字符编码存储
2. SequenceFile格式（顺序文件格式，可进行切割）
   1. key-value 格式进行存储，最终形成的是一个二进制文件， 需用hadoop提供的api进行写入存储。
   2. 编写 写入 seq文件案例。

   
       Configuration configuration = new Configuration();
       configuration.set("fs.defaultFS","hdfs://s100:8020");
       FileSystem fileSystem = FileSystem.get(configuration);
       Path path = new Path("hdfs://s100:8020/user/seqmyfile.seq");
       SequenceFile.Writer writer = SequenceFile.createWriter(fileSystem, configuration, path, IntWritable.class, Text.class);
   
   
       writer.append(new IntWritable(1),new Text("gg1"));
       writer.append(new IntWritable(1),new Text("gg2"));
       writer.append(new IntWritable(1),new Text("gg3"));
       writer.append(new IntWritable(1),new Text("gg4"));
       writer.close();
       
   
   

   3. 编写读取 seq 文件案例

    Configuration configuration = new Configuration();
       configuration.set("fs.defaultFS","hdfs://s100:8020");
       FileSystem fileSystem = FileSystem.get(configuration);
       Path path = new Path("hdfs://s100:8020/user/seqmyfile.seq");
       SequenceFile.Reader sr = new SequenceFile.Reader(fileSystem,path,configuration);
   
       IntWritable key = new IntWritable();
       Text value = new Text();
       while (sr.next(key,value)){
           System.out.println(key +":"+value );
       }
       
   

   4. 查看文件内容
      $> hdfs dfs -text /user/myfile.seq
      $> hdfs dfs -cat /user/myfile.seq （此命令查看会出现乱码）

---

seq 文件格式解析

顺序文件由文件头和随后的一条或多条记录组成 
---文件头------
--key-value----sync
--key-value----
--key-value----
--key-value----
--key-value----sync
--key-value----
--key-value----
--key-value----sync

1. 文件头格式
   1. SEQ+版本号+key类型class+value类型class + 压缩格式类型

2. 代码案例

  /**
     * 读取文件位置
     */
    public void seekSeq() throws IOException {
        Configuration configuration = new Configuration();
        configuration.set("fs.defaultFS","hdfs://s100:8020");
        FileSystem fileSystem = FileSystem.get(configuration);
        Path path = new Path("hdfs://s100:8020/user/seqmyfile.seq");
        SequenceFile.Reader sr = new SequenceFile.Reader(fileSystem,path,configuration);
        IntWritable key = new IntWritable();
        Text value = new Text();
        sr.seek(253); // 定位到第253字节的位置，告诉指针下一次要定位的位置。
        sr.next(key,value); // 定位到第253字节的位置，并取出相应的值。
        System.out.println(key +" : " + value);
        sr.close();
    }

    /**
     * 读取seqfile 同步点
     */
    public void sync() throws IOException {
        /**
         * -----文件头-------
  128byte* --key-value----sync
  153byte* --key-value----
        .* --key-value----
        .* --key-value----
        .* --key-value----sync
         * --key-value----
         * --key-value----
         * --key-value----sync
         */
        Configuration configuration = new Configuration();
        configuration.set("fs.defaultFS","hdfs://s100:8020");
        FileSystem fileSystem = FileSystem.get(configuration);
        Path path = new Path("hdfs://s100:8020/user/seqmyfile.seq");
        SequenceFile.Reader sr = new SequenceFile.Reader(fileSystem,path,configuration);
        IntWritable key = new IntWritable();
        Text value = new Text();
        int syncPos = 12;
        sr.sync(syncPos);//如上图在写入文件的时候可一指定多少条记录写入一个同步点
        long pos = sr.getPosition();//获取下次要定位的字节位置。
        sr.next(key,value);
        System.out.println("syncPos : " + syncPos + "pos : " + pos +"key : "+key+"value : " + value);
    }

MapFile文件格式

1. 是排序的seqfie，具有索引。要求key按照大小顺序添加
2. 包含两个文件
   1. index 文件：索引和偏移量的映射，可以设置间隔，默认128（解释：第128key位置--->第256字节 指存入128个key 对应的 第128key的末尾位置是第128字节的位置。）
   2. data 文件：存放真实的数据。格式为key -value 。和seqfile文件类似

具体的API可参看Hadoop权威指南第四章 4.5 基于文件的数据结构