Hadoop学习四十四：某项目技术小结概述

cundeng

一.对源代码的改造

•  改造MultipleInputs：能够做到HBase文件或者HDFS文件的混合输入
  
• 改造JobControl和ControlledJob：能够做到一个Job运行完后，先执行扩展类，再运行下一个Job
  
•  改造HFileOutputFormat和PutSortReducer：有一种业务场景是新来的一批数据里包含了少量要删除的数据。改造后配合Mapper对这些删除数据的标记，PutSortReducer能发现这些数据，HFileOutputFormat将这些数据记录到某个文件（不生成HFile）
  
• 改造hadoop_datajoin-2.3.0.jar：使用PartitionerClass SortComparatorClass GroupingComparatorClass技术手段，去掉maxNumOfValuesPerGroup = 100的限制，实现迭代一组Value就实现关联。
  
• 改造RunJar：在一个没有安装Hadoop集群环境上提交作业，自己实现一个JarRunner类，做到和使用集群hadoop jar命令一样的效果。
  

二.使用到的工具类

• Distcp：集群间HDFS文件拷贝。定制化InputFormat TextOutputFormat；无Reducer。
  
• Snapshot：HBase克隆快照。
  
• Export Import：集群间HBase拷贝。
       Export的话使用IdentityTableMapper将Result直接输出，使用SequenceFileOutputFormat将对象序列化到指定文件。
       Import的话使用SequenceFileInputFormat从指定文件读取数据；1.Mapper里将Result对象转换成Mutation对象并输出，TableOutputFormat接受到后直接写到HBase；无Reducer。2.或者是另外种借助HFileOutputFormat的处理，下篇再详说。
  
• CopyTable：一个集群里将一个表copy成另外一个表 。Mapper里将Result对象转换成Mutation对象并输出，TableOutputFormat接受到后直接写到HBase；无Reducer。
  

　　接下来有时间抽取其中几点，详细说下。

infinite

这几天正在找同时读取hdfs和hbase的方法。。。楼主能直接上代码么