我有大量的日志文件存储在 HDFS 中，如下所示：
2012-10-20 00:05:00; BEGIN
...
SQL ERROR -678: Error message
...
2012-10-20 00:47:20; END
我想知道某个时间范围内某些 sql 错误代码出现的频率，例如： 从 2012 年 10 月 20 日凌晨 0:00 到 2012 年 10 月 20 日凌晨 1:00 发生了多少 678 个 SQL 错误。
由于文件通常被分成几个块，它们可以分布在所有数据节点之间。
这样的查询可能吗？我想使用 hadoop mapreduce Java API 或 Apache Pig，但我不知道如何应用时间框架条件。
【问题讨论】：
标签： hadoop mapreduce apache-pig hdfs bigdata
HDFS 在将文件拆分为块时不会考虑新行，因此单行可能会被拆分为两个块。但是，MapReduce 可以，因此输入文件中的一行将由单个映射器处理。
2012-10-20 00:05:00;开始
...
SQL 错误 -678：错误信息
...
2012-10-20 00:47:20;结束
如果文件大于块大小，则上述行更有可能位于两个块中并由不同的映射器处理。 FileInputFormat.isSplitable() 可以是overwritten 以确保单个日志文件由单个映射器处理，而不是由多个映射器处理。
Hadoop 将使用 KV 对调用用户定义的映射函数，其中 K 是文件偏移量，值是输入文件中的行。需要一个实例变量来存储 BEGIN 时间，以便在以后调用用户定义的 map 函数时检查 END 时间。
这不是一种有效的方法，因为单个映射器正在处理一个特定的映射文件并且没有分发。
另一种方法是预处理日志文件，将相关行合并为一行。这样，日志文件中的相关行将仅由单个映射器处理。
仅供参考，不使用 FileInputFormat.isSplitable() 的更复杂的方法也是可行的，但这需要解决。
必须评估每种方法的优缺点并选择正确的方法。
【讨论】：