根据与输入相同目录中的日期将多个文件传递给 Mapreduce

Question

我有一个要求，我必须使用来自同一目录的多个具有特定日期的文件作为 mapreduce 作业的输入。

不知道该怎么做。

hadoop jar EventLogsSW.jar EventSuspiciousWatch /user/hdfs/eventlog/*.snappy /user/hdfs/eventlog_output/op1

示例：从 eventlog 目录我只需要提供日期文件进行处理。

eventlog 目录已从 Flume 记录器代理获取日志数据，因此它每天有 1000 个新文件。我只需要为我的流程提供日期文件。

谢谢。

问候， 莫汉。

Answer 1

你可以使用 bash date 命令作为$(date +%Y-%m-%d):

例如，如下运行将查找/user/hdfs/eventlog/2017-01-04.snappy日志文件，输出将存储到/user/hdfs/eventlog_output/2017-01-04hdfs目录：

hadoop jar EventLogsSW.jar EventSuspiciousWatch /user/hdfs/eventlog/$(date +%Y-%m-%d).snappy /user/hdfs/eventlog_output/$(date +%Y-%m-%d)

要获取特定的日期格式，请参阅this answer OR 输入man date 命令以了解有关date 的更多信息...

---

在提供更多详细信息后更新：

1.解释：

$ file=$(hadoop fs -ls /user/cloudera/*.snappy|grep $(date +%Y-%m-%d)|awk '{print $NF}')
$ echo $file
/user/cloudera/xyz.snappy
$ file_out=$(echo $file|awk -F '/' '{print $NF}'|awk -F '.' '{print $1}')
$ echo $file_out
xyz
$hadoop jar EventLogsSW.jar EventSuspiciousWatch /user/hdfs/eventlog/$file /user/hdfs/eventlog_output/$file_out

2。制作 shell 脚本以每天重用这些命令......并且以更合乎逻辑的方式

此脚本可以处理多个 hdfs 中当前系统日期的文件：

#!/bin/sh
#get today's snappy files
files=$(hadoop fs -ls /user/hdfs/eventlog/*.snappy|grep $(date +%Y-%m-%d)|awk '{print $NF}')

#Only process if today's file(s) available...
if [ $? -eq 0 ]
then   
    # file(s) found now create dir
    hadoop fs -mkdir /user/hdfs/eventlog/$(date +%Y-%m-%d)
    counter=0
        #move each file to today's dir
        for file in $files
        do
            hadoop fs -mv $file /user/hdfs/eventlog/$(date +%Y-%m-%d)/
            counter=$(($counter + 1))
        done
    #run hadoop job
    hadoop jar EventLogsSW.jar EventSuspiciousWatch /user/hdfs/eventlog/$(date +%Y-%m-%d) /user/hdfs/eventlog_output/$(date +%Y-%m-%d)
fi

echo "Total processed file(s): $counter"
echo "Done processing today's file(s)..."

此脚本可以处理多个文件 - 一次一个文件 - 在 hdfs 中用于当前系统日期：

#!/bin/sh   
#get today's snappy files
files=$(hadoop fs -ls /user/hdfs/eventlog/*.snappy|grep $(date +%Y-%m-%d)|awk '{print $NF}')

#Only process if today's file(s) available...
if [ $? -eq 0 ]
then
counter=0
    for file in $files
    do    
        echo "Processing file: $file ..."    
        #get output dir name
        file_out=$(echo $file|awk -F '/' '{print $NF}'|awk -F '.' '{print $1}')

        #run hadoop job
        hadoop jar EventLogsSW.jar EventSuspiciousWatch /user/hdfs/eventlog/$file /user/hdfs/eventlog_output/$file_out

        counter=$(($counter + 1))
    done
fi

echo "Total processed file(s): $counter"
echo "Done processing today's file(s)..."