Hadoop进阶之输入路径如何正则通配？

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";
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. *
7. * **/
8. static class RegexExcludePathAndTimeFilter implements PathFilter{
9. //日期的正则
10. private final String regex;
11. //时间开始过滤
12. private final String start;
13. //时间结束过滤
14. private final String end;
15. //业务过滤
16. private final String regex_business;
18. public RegexExcludePathAndTimeFilter(String regex,String regex_business,String start,String end) {
19. this.regex=regex;
20. this.start=start;
21. this.end=end;
22. this.regex_business=regex_business;
23. }
25. @Override
26. public boolean accept(Path path) {
27. String data[]=path.toString().split("/");
28. String date=data[7];
29. String business=data[9];
30. return Pattern.matches(regex_business, business)&&Pattern.matches(regex,date) && TimeTools.checkDate(start, end, date);
31. }
35. }
37. /**日期比较的工具类**/
38. static class TimeTools{
40. final static String DATE_FORMAT="yyyy-MM-dd";
42. final static SimpleDateFormat sdf=new SimpleDateFormat(DATE_FORMAT);
44. public static boolean cnull(String checkString){
45. if(checkString==null||checkString.equals("")){
46. return false;
47. }
48. return true;
49. }
51. /**
52. * @param start 开始时间
53. * @param end 结束时间
54. * @param path 比较的日期路径
55. * **/
56. public static boolean checkDate(String start,String end,String path){
57. long startlong=0;
58. long endlong=0;
59. long pathlong=0;
60. try{
61. if(cnull(start)){
62. startlong=sdf.parse(start).getTime();
63. }
64. if(cnull(end)){
65. endlong=sdf.parse(end).getTime();
66. }
67. if(cnull(path)){
68. pathlong=sdf.parse(path).getTime();
69. }
70. //当end日期为空时，只取start+的日期
71. if(end==null||end.equals("")){
72. if(pathlong>=startlong){
73. return true;
74. }else{
75. return false;
76. }
77. }else{//当end不为空时，取日期范围直接比较
78. //过滤在规定的日期范围之内
79. if(pathlong>=startlong&&pathlong<=endlong){
80. return true;
81. }else{
82. return false;
83. }
85. }
87. }catch(Exception e){
88. 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);
89. }
91. return false;
92. }

/**
	 * 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。