Hadoop自定义OutputFormat实现多路径输出
在大数据处理的实际场景中，我们常常遇到这样的需求：一次MapReduce作业需要根据数据内容的不同，将结果分别写入多个目标路径。比如日志增强系统中，命中规则的数据进入“已标注日志流”，未命中的则归入“待补充清单”。然而，标准的HadoopOutputFormat仅支持单一输出目录，这显然无法满足复杂的数据分流需求。
面对这一挑战，最直接且灵活的解决方案就是——自定义 OutputFormat。通过深入理解框架底层机制，并结合业务逻辑进行扩展，我们可以轻松突破默认限制，构建出真正符合实际需要的数据处理流水线。
Hadoop 的OutputFormat是整个 MapReduce 输出体系的核心抽象，位于org.apache.hadoop.mapreduce.OutputFormat<K, V>包下。它不只是决定“怎么写”的格式类，更是控制“是否能写”、“往哪写”以及“如何提交”的关键组件。其职责主要包括：
- 在作业提交前检查输出路径是否存在（避免误覆盖）；
- 提供
RecordWriter实例来执行实际的数据写出操作； - 通过
getOutputCommitter()管理任务提交与回滚流程； - 利用
checkOutputSpecs(JobContext)校验配置合法性。
所有用户自定义输出行为，最终都需继承并实现这个接口的关键方法。而大多数基于文件系统的输出类，则进一步封装在FileOutputFormat抽象基类之下。
FileOutputFormat为常见的文件写入提供了统一的基础设施支持，如路径设置、临时目录管理等。许多内置实现如TextOutputFormat、SequenceFileOutputFormat都源自于此。它提供了一些静态工具方法用于全局控制：
| 方法 | 功能说明 |
|---|---|
setOutputPath(Job job, Path path) | 设置作业默认输出目录 |
getOutputPath(JobContext context) | 获取当前作业输出路径 |
setOutputName(TaskAttemptContext context, String name) | 自定义单个 task 输出文件名 |
值得注意的是：即使你完全重写了输出逻辑，只要继承了FileOutputFormat，就必须调用FileOutputFormat.setOutputPath()指定一个“占位”路径。否则在初始化阶段就会抛出异常——这是父类强制校验的一部分，容易被忽略但至关重要。
常见的几种内置OutputFormat各有用途：
TextOutputFormat：默认文本输出，每条记录以key.toString() + "\t" + value.toString()形式写出行，适合调试和中间结果查看。SequenceFileOutputFormat：将数据写成二进制 Sequence File，支持高效压缩（RECORD/BLOCK级别），常作为后续作业的输入源，尤其适用于序列化对象传输。NullOutputFormat：空输出格式，不产生任何物理文件，专用于只关注计数器统计的分析任务，例如“统计某类错误日志数量”。
这些输出格式之所以能工作，背后都依赖于一个核心组件：RecordWriter。
RecordWriter<K,V>是真正执行写入动作的实体，每个OutputFormat必须通过getRecordWriter()返回一个该类型的实例。它定义了两个关键方法：
public abstract void write(K key, V value) throws IOException; public abstract void close(TaskAttemptContext context) throws IOException;其中write()负责把键值对落地到存储介质，而close()则负责资源释放，比如关闭流或刷新缓冲区。开发人员在定制输出时，重点就在于构造一个能够智能路由数据的RecordWriter。
典型的对应关系如下：
| OutputFormat 类型 | 对应 RecordWriter | 写出行为说明 |
|---|---|---|
| TextOutputFormat | LineRecordWriter | 每行输出key + "\t" + value + "\n" |
| DBOutputFormat | DBRecordWriter | 批量插入数据库表 |
| SequenceFileOutputFormat | SequenceFileRecordWriter | 写入序列化后的二进制块 |
现在来看一个真实案例：日志增强与分流处理。
假设我们需要从原始网络请求日志中提取图片 URL，并查询本地知识库获取其内容标签。若匹配成功，则输出包含标签的完整日志；若未命中，则仅保留原始 URL，放入待爬取队列。整个流程期望在一个 MapReduce 任务中完成，输出分别落盘至两个独立路径：
- 成功增强的日志 →
/enhanced/log.dat - 待爬取的 URL →
/tocrawl/url.dat
标准框架显然做不到动态路径选择。解决思路很明确：自定义 OutputFormat + 自定义 RecordWriter。
首先准备一张 MySQL 表url_rule存储已知映射关系：
CREATE TABLE url_rule ( url VARCHAR(6000), content VARCHAR(765) );然后通过工具类预加载至内存，避免 mapper 中频繁访问数据库造成性能瓶颈：
package com.test.hadoop.mr.logenhance; import java.sql.*; import java.util.Map; public class DBLoader { public static void dbLoader(Map<String, String> ruleMap) throws Exception { Connection conn = null; Statement st = null; ResultSet res = null; try { Class.forName("com.mysql.jdbc.Driver"); conn = DriverManager.getConnection( "jdbc:mysql://localhost:3306/urldb", "root", "root"); st = conn.createStatement(); res = st.executeQuery("SELECT url, content FROM url_rule"); while (res.next()) { ruleMap.put(res.getString("url"), res.getString("content")); } } finally { if (res != null) res.close(); if (st != null) st.close(); if (conn != null) conn.close(); } } }接下来是核心部分：创建LogEnhanceOutputFormat继承FileOutputFormat，并在getRecordWriter()中返回我们自己的EnhanceRecordWriter：
package com.test.hadoop.mr.logenhance; import org.apache.hadoop.fs.FSDataOutputStream; import org.apache.hadoop.fs.FileSystem; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.NullWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.RecordWriter; import org.apache.hadoop.mapreduce.TaskAttemptContext; import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; import java.io.IOException; public class LogEnhanceOutputFormat extends FileOutputFormat<Text, NullWritable> { @Override public RecordWriter<Text, NullWritable> getRecordWriter(TaskAttemptContext context) throws IOException, InterruptedException { FileSystem fs = FileSystem.get(context.getConfiguration()); // 定义两个输出路径 Path enhancedPath = new Path("D:/temp/en/log.dat"); Path tocrawlPath = new Path("D:/temp/crw/url.dat"); FSDataOutputStream enhancedOs = fs.create(enhancedPath, true); // append mode FSDataOutputStream tocrawlOs = fs.create(tocrawlPath, true); return new EnhanceRecordWriter(enhancedOs, tocrawlOs); } /** * 自定义 RecordWriter，根据内容自动路由到不同流 */ static class EnhanceRecordWriter extends RecordWriter<Text, NullWritable> { private final FSDataOutputStream enhancedOs; private final FSDataOutputStream tocrawlOs; public EnhanceRecordWriter(FSDataOutputStream enhancedOs, FSDataOutputStream tocrawlOs) { this.enhancedOs = enhancedOs; this.tocrawlOs = tocrawlOs; } @Override public void write(Text key, NullWritable value) throws IOException { String line = key.toString(); if (line.contains("tocrawl")) { tocrawlOs.write(line.getBytes()); } else { enhancedOs.write(line.getBytes()); } } @Override public void close(TaskAttemptContext context) throws IOException { if (tocrawlOs != null) tocrawlOs.close(); if (enhancedOs != null) enhancedOs.close(); } } }这里的关键在于write()方法中根据字符串特征判断流向。虽然示例用了"tocrawl"标记，但在生产环境中更推荐使用结构化字段或枚举类型做路由决策，提高可维护性。
Mapper 层的任务是对日志进行解析并完成增强逻辑：
package com.test.hadoop.mr.logenhance; import org.apache.commons.lang.StringUtils; import org.apache.hadoop.io.*; import org.apache.hadoop.mapreduce.Mapper; import java.io.IOException; import java.util.HashMap; import java.util.Map; public class LogEnhance { static class LogEnhanceMapper extends Mapper<LongWritable, Text, Text, NullWritable> { private final Map<String, String> ruleMap = new HashMap<>(); private final Text outKey = new Text(); private static final NullWritable NULL = NullWritable.get(); @Override protected void setup(Context context) throws IOException { try { DBLoader.dbLoader(ruleMap); } catch (Exception e) { e.printStackTrace(); } } @Override protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { Counter malformedCounter = context.getCounter("Malformed", "InvalidLine"); String line = value.toString(); String[] fields = StringUtils.split(line, "\t"); if (fields.length < 27) { malformedCounter.increment(1); return; } String url = fields[26]; // 第27列是URL字段 String tag = ruleMap.get(url); if (tag == null || tag.isEmpty()) { outKey.set(url + "\ttocrawl\n"); } else { outKey.set(line + "\t" + tag + "\n"); } context.write(outKey, NULL); } } public static void main(String[] args) throws Exception { Configuration conf = new Configuration(); Job job = Job.getInstance(conf); job.setJarByClass(LogEnhance.class); job.setMapperClass(LogEnhanceMapper.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(NullWritable.class); job.setOutputFormatClass(LogEnhanceOutputFormat.class); FileInputFormat.setInputPaths(job, new Path("D:/hdfs/11.txt")); // 即使使用自定义 OutputFormat，仍需设置虚拟输出路径 FileOutputFormat.setOutputPath(job, new Path("D:/temp/output_placeholder/")); job.setNumReduceTasks(0); // 禁用 reduce 阶段 boolean success = job.waitForCompletion(true); System.exit(success ? 0 : 1); } }运行后，系统会生成两个独立文件：
增强日志：
D:/temp/en/log.dat
示例：1374609641.50 ... http://img.immomo.com/album/26/91/..._S.jpg somecontent待爬清单：
D:/temp/crw/url.dat
示例：http://unknown.example.com/image.jpg tocrawl
实现了真正的数据分流。
在整个实现过程中有几个细节值得特别注意：
- 线程安全：
ruleMap在setup()中加载一次即可，由于每个 task 是独立 JVM 实例运行，无需额外同步。 - 资源释放：务必在
close()中关闭所有打开的输出流，防止句柄泄漏。 - 路径可配置化：硬编码路径不利于部署迁移，建议通过
context.getConfiguration().set("enhanced.path", "...")传参方式动态指定。 - 扩展性考量：当前方案固定双路输出，若未来需支持 N 路，可借鉴
MultipleOutputs模式，利用命名通道机制灵活管理。 - I/O 性能优化：对于高频小数据写入，应考虑启用缓冲区（如
BufferedOutputStream）减少系统调用开销，或者合并输出批次降低文件碎片。
这种基于自定义OutputFormat的多路径输出方案，在日志清洗、ETL 分拣、特征工程等领域具有广泛适用性。它不仅解决了“一进多出”的架构难题，更重要的是展示了 Hadoop 框架的高度可扩展性——只要你理解其设计哲学，就能将其能力延伸至业务所需的任意角落。
模块化、可插拔的设计思想，无论是在传统大数据处理还是新兴 AI 工程化中，始终是保障系统灵活性与可持续演进的关键所在。
