序列文件压缩器，仅在一个文件中包含多个小文件.seq

Question

HDFS和Hadoop中的Novell：我正在开发一个程序，它应该获取特定目录的所有文件，我们可以在其中找到任何类型的几个小文件。

获取每个文件并使追加在压缩的 SequenceFile 中，其中键必须是文件的路径，值必须是文件获取，现在我的代码是：

    import java.net.*;
    import org.apache.hadoop.fs.*;
    import org.apache.hadoop.conf.*;
    import org.apache.hadoop.io.*;
    import org.apache.hadoop.io.compress.BZip2Codec;
public class Compact {
        public static void main (String [] args) throws Exception{
                try{
                        Configuration conf = new Configuration();
                        FileSystem fs =
                                FileSystem.get(new URI("hdfs://quickstart.cloudera:8020"),conf);
                        Path destino = new Path("/user/cloudera/data/testPractice.seq");//test args[1]
                    
                        if ((fs.exists(destino))){
                            System.out.println("exist : " + destino);
                            return;
                        }
                        BZip2Codec codec=new BZip2Codec();
                        
                        SequenceFile.Writer outSeq = SequenceFile.createWriter(conf
                                   ,SequenceFile.Writer.file(fs.makeQualified(destino))
                                   ,SequenceFile.Writer.compression(SequenceFile.CompressionType.BLOCK,codec)
                                   ,SequenceFile.Writer.keyClass(Text.class)
                                   ,SequenceFile.Writer.valueClass(FSDataInputStream.class));
    
                        FileStatus[] status = fs.globStatus(new Path("/user/cloudera/data/*.txt"));//args[0]
                        for (int i=0;i<status.length;i++){
                                FSDataInputStream in = fs.open(status[i].getPath());
                                                            
                                
                                outSeq.append(new org.apache.hadoop.io.Text(status[i].getPath().toString()), new FSDataInputStream(in));
                                fs.close();
                                
                        }
                        outSeq.close();
                        System.out.println("End Program");
                }catch(Exception e){
                        System.out.println(e.toString());
                        System.out.println("File not found");
                }
        }
}

但是每次执行后我都会收到此异常：

java.io.IOException：找不到 Value 类的序列化程序："org.apache.hadoop.fs.FSDataInputStream"。如果您使用的是自定义序列化，请确保正确配置配置"io.serializations"。找不到文件

我知道错误一定在我正在创建的文件类型以及我定义的用于添加到 sequenceFile 的对象类型中，但我不知道应该添加哪一个，有人可以帮助我吗？

Answer 1

FSDataInputStream与任何其他InputStream一样，不打算序列化。在字节流上序列化"迭代器"应该做什么？

您最可能想要做的是将文件的内容存储为值。例如，您可以将值类型从 FsDataInputStream 切换到 BytesWwriteable，然后从 FSDataInputStream 中获取所有字节。使用键/值序列文件来实现此目的的一个缺点是每个文件的内容必须适合内存。对于小文件可能没问题，但您必须注意此问题。

我不确定你真正想要实现什么，但也许你可以通过使用Hadoop Archives之类的东西来避免重新发明轮子？

Answer 2

非常感谢您的评论，问题是像您所说的序列化程序，最后我使用了 BytesWritable：

FileStatus[] status = fs.globStatus(new Path("/user/cloudera/data/*.txt"));//args[0]
                    for (int i=0;i<status.length;i++){
                        FSDataInputStream in = fs.open(status[i].getPath());
                        byte[] content = new byte [(int)fs.getFileStatus(status[i].getPath()).getLen()];                    
                        outSeq.append(new org.apache.hadoop.io.Text(status[i].getPath().toString()), new org.apache.hadoop.io.BytesWritable(in));
                    }
                        outSeq.close();

Hadoop生态系统中可能还有其他更好的解决方案，但这个问题是我正在开发的一定程度的练习，现在我们正在重新制作用于理解概念的轮子;-）。