Пользовательская инициализация RecordReader не вызывается

Question

Я недавно начал возиться с Hadoop и просто создал свой собственный формат ввода для обработки PDF.

По какой-то причине мой пользовательский класс RecordReader не имеет вызванного метода инициализации. (проверил это с помощью sysout, потому что я не настроил среду отладки)

Я использую hadoop 2.2.0 на Windows 7 32bit. Делая мои звонки с банкой пряжи, как баночка Hadoop прослушивается под окнами...

import ...

public class PDFInputFormat extends FileInputFormat<Text, Text>
{


        @Override
        public RecordReader<Text, Text> getRecordReader(InputSplit arg0,
                JobConf arg1, Reporter arg2) throws IOException 
                {
                    return new PDFRecordReader();
                }

        public static class PDFRecordReader implements RecordReader<Text, Text>
        {

            private FSDataInputStream fileIn;
            public String fileName=null;
            HashSet<String> hset=new HashSet<String>();

            private Text key=null;
            private Text value=null;

            private byte[] output=null;
            private int position = 0;

            @Override
            public Text createValue() {
                int endpos = -1;
                for (int i = position; i < output.length; i++){
                    if (output[i] == (byte) '\n') {
                        endpos = i;
                    }
                }
                if (endpos == -1) {
                    return new Text(Arrays.copyOfRange(output,position,output.length));
                }
                return new Text(Arrays.copyOfRange(output,position,endpos));
            }

            @Override
            public void initialize(InputSplit genericSplit, TaskAttemptContext job) throws
            IOException, InterruptedException
            {
                System.out.println("initialization is called");
                FileSplit split=(FileSplit) genericSplit;
                Configuration conf=job.getConfiguration();

                Path file=split.getPath();
                FileSystem fs=file.getFileSystem(conf);
                fileIn= fs.open(split.getPath());

                fileName=split.getPath().getName().toString();

                System.out.println(fileIn.toString());

                PDDocument docum = PDDocument.load(fileIn);

                ByteArrayOutputStream boss = new ByteArrayOutputStream();
                OutputStreamWriter ow = new OutputStreamWriter(boss);

                PDFTextStripper stripper=new PDFTextStripper();
                stripper.writeText(docum, ow);
                ow.flush();

                output = boss.toByteArray();

            }
        }


}

Answer 1

Как я понял вчера вечером, я мог бы помочь кому-то еще с этим:

RecordReader является устаревшим интерфейсом Hadoop (hadoop.common.mapred) и фактически не содержит метода инициализации, который объясняет, почему он не вызывается автоматически.

Расширение класса RecordReader в hadoop.common.mapreduce позволяет расширить метод инициализации этого класса.

Answer 2

System.out.println() может не помочь во время работы. Чтобы убедиться, что ваш initialize() называется или нет попробуй кинь RuntimeException там, как показано ниже:

 @Override
            public void initialize(InputSplit genericSplit, TaskAttemptContext job) throws
            IOException, InterruptedException
            {
               throw new NullPointerException("inside initialize()");
               ....

Это определенно подойдет.