这篇文章给大家分享的是有关Nutch如何实现HDFS文件输出的内容。小编觉得挺实用的，因此分享给大家做个参考，一起跟随小编过来看看吧。
以1.7为例，之前Nutch的输出可以自定义其它存储系统中，具体原理不赘述。
项目有个需求，就是文件仍然保存在HDFS中，而不是索引到其它存储系统中。
也就是说，不用写
public class XXX implements IndexWriter
这样的插件了，
那么，问题来了，怎么修改Nutch的源码，使得结果顺利存在HDFS中呢？
----------那就让我们从源头一步一步来修改，碰到问题就解决问题。
首先Crawl.java中，原先在索引阶段有这么一些代码。
if (i > 0) {
linkDbTool.invert(linkDb, segments, true, true, false); // invert links
if (solrUrl != null) {
// index, dedup & merge
FileStatus[] fstats = fs.listStatus(segments, HadoopFSUtil.getPassDirectoriesFilter(fs));
IndexingJob indexer = new IndexingJob(getConf());
indexer.index(crawlDb, linkDb,
Arrays.asList(HadoopFSUtil.getPaths(fstats)));
SolrDeleteDuplicates dedup = new SolrDeleteDuplicates();
dedup.setConf(getConf());
dedup.dedup(solrUrl);
}最关键的是
IndexingJob indexer = new IndexingJob(getConf()); indexer.index(crawlDb, linkDb, Arrays.asList(HadoopFSUtil.getPaths(fstats)));
也就是说，这里是索引的入口处。
这里把这些代码屏蔽掉，我个人的方法是 if (solrUrl != null) {------》if (false) {
这样还能保持原先的代码存在，这样如果后面的代码有问题还可以恢复此代码。
---------------接下来呢？添加我们自己的索引任务代码如下：
if (true) {
// add my index job
// index, dedup & merge
FileStatus[] fstats = fs.listStatus(segments,
HadoopFSUtil.getPassDirectoriesFilter(fs));
IndexingJob indexer = new IndexingJob(getConf());
indexer.index(crawlDb, linkDb,Arrays.asList(HadoopFSUtil.getPaths(fstats)), true,false, null);
}这样，就完成了索引任务外围的改造，这里只是改了个外观，还没伤筋动骨。
下面我们开始对内部进行改造!
-------------------------------------------------------------------------------
首先，我们得找到MR的方法吧，入口在哪呢？
IndexerMapReduce.initMRJob(crawlDb, linkDb, segments, job);
这句话，跟进去，就能看到具体的MR类，如下：
job.setMapperClass(IndexerMapReduce.class); job.setReducerClass(IndexerMapReduce.class);
也就是说，MR类都是IndexerMapReduce.class.
那么我们就开始分析这个类的map和reduce函数。
备注: 我的URL文件的格式是 url \t sender=xxx \t receiver=xxx \t oldname=xxx \t newname=xxx \n
---------------
改动的几个地方如下：
1 对于reduce的函数声明
从
public void reduce(Text key, Iterator<NutchWritable> values, OutputCollector<Text, NutchIndexAction> output, Reporter reporter)
修改为
public void reduce(Text key, Iterator<NutchWritable> values, OutputCollector<Text, Text> output, Reporter reporter)
这会导致出现3个错误，把这3个地方屏蔽掉即可。
2 看reduce的最后两行
NutchIndexAction action = new NutchIndexAction(doc, NutchIndexAction.ADD); output.collect(key, action);
这里需要做一个改动如下：
// NutchIndexAction action = new NutchIndexAction(doc,
// NutchIndexAction.ADD);
// output.collect(key, action);
Object senderObject = doc.getFieldValue("sender");
Object receiverObject = doc.getFieldValue("receiver");
Object singerObject = doc.getFieldValue("singer");
if (null != senderObject && null != receiverObject
&& null != singerObject) {
String sender = senderObject.toString();
String receiver = receiverObject.toString();
String singer = singerObject.toString();
// output it
output.collect(new Text(sender), new Text(singer));
output.collect(new Text(receiver), new Text(singer));
}如果此时进行ant编译，自然会报错，如下：
[javac] /usr/local/music_Name_to_Singer/nutch-1.7/src/java/org/apache/nutch/indexer/IndexerMapReduce.java:53: error: IndexerMapReduce is not abstract and does not override abstract method reduce(Text,Iterator<NutchWritable>,OutputCollector<Text,NutchIndexAction>,Reporter) in Reducer [javac] public class IndexerMapReduce extends Configured implements [javac] ^ [javac] 1 error [javac] 1 warning
那是因为我们需要修改一个地方：
IndexerMapReduce.java中的
原先的代码：
job.setOutputFormat(IndexerOutputFormat.class); job.setOutputKeyClass(Text.class); job.setMapOutputValueClass(NutchWritable.class); job.setOutputValueClass(NutchWritable.class);
现在要修改为：
job.setOutputFormat(TextOutputFormat.class); job.setOutputKeyClass(Text.class); job.setMapOutputValueClass(NutchWritable.class); job.setOutputValueClass(Text.class);
以及
public class IndexerMapReduce extends Configured implements
Mapper<Text, Writable, Text, NutchWritable>,
Reducer<Text, NutchWritable, Text, NutchIndexAction> {
修改为
public class IndexerMapReduce extends Configured implements
Mapper<Text, Writable, Text, NutchWritable>,
Reducer<Text, NutchWritable, Text, Text> {
然后ant
就可以看到
BUILD SUCCESSFUL
Total time: 15 seconds
表明编译成功！
别急着运行，还有一个地方需要修改！
---------------------- 在InexingJob中有如下一些代码：
final Path tmp = new Path("tmp_" + System.currentTimeMillis() + "-"
+ new Random().nextInt());
FileOutputFormat.setOutputPath(job, tmp);
try {
JobClient.runJob(job);
// do the commits once and for all the reducers in one go
if (!noCommit) {
writers.open(job,"commit");
writers.commit();
}
long end = System.currentTimeMillis();
LOG.info("Indexer: finished at " + sdf.format(end) + ", elapsed: "
+ TimingUtil.elapsedTime(start, end));
} finally {
FileSystem.get(job).delete(tmp, true);
}表明，Nutch2.7默认是把输出导向到其它输出的，而不是本地HDFS.
所以FileSystem.get(job).delete(tmp, true);是用来删除此文件的，此时我们需要修改这个地方来保留文件。
不然咱辛辛苦苦写的文件，全被一句话任性的删掉了。
------------------------代码如下：
注意：我这里的需求是输出为当天的目录。所以代码为：
//final Path tmp = new Path("tmp_" + System.currentTimeMillis() + "-"
// + new Random().nextInt());
Calendar cal = Calendar.getInstance();
int year = cal.get(Calendar.YEAR);
int month = cal.get(Calendar.MONTH) + 1;
int day = cal.get(Calendar.DAY_OF_MONTH);
final Path tmp = new Path(getConf().get("pathPrefix"),"year="+year+"/month="+month+"/day="+day);
FileOutputFormat.setOutputPath(job, tmp);
try {
JobClient.runJob(job);
// do the commits once and for all the reducers in one go
if (!noCommit) {
writers.open(job,"commit");
writers.commit();
}
long end = System.currentTimeMillis();
LOG.info("Indexer: finished at " + sdf.format(end) + ", elapsed: "
+ TimingUtil.elapsedTime(start, end));
} finally {
//FileSystem.get(job).delete(tmp, true);
}此时编译是可以通过的。
好，暂时就是这样，效果图：
感谢各位的阅读！关于“Nutch如何实现HDFS文件输出”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，让大家可以学到更多知识，如果觉得文章不错，可以把它分享出去让更多的人看到吧！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
