Hadoop SequenceFile尺寸

Question

我正在创建一个存储在HashMap中的Hadoop值对的SequenceFile。为了提高效率，我想知道键值对向量的长度，这样我就可以用适当的大小初始化HashMap。

我使用了Mahout的seqdumper，它在每一个倾倒向量的末尾附加了一个计数。我研究了它的代码，但是它使用了一个简单的迭代计数器(对于每一行counter++)，因此不是我要找的。

SequenceFile.MetaData看起来也很有前途，所以我研究了一下。但是调试器显示它不包含任何条目。

还有其他方法可以快速获得类似于Hadoop的.size()方法吗？

编辑:这里的是我要转换成地图的seqdumper的输出。具体来说，每个键值对都是一个IntWritable / NamedVector对。我希望创建一个从键号到URI字符串的映射。总共有46599个键值对，由seqdumper在文件末尾追加。

Input Path: luceneVectors
Key class: class org.apache.hadoop.io.IntWritable Value Class: class org.apache.mahout.math.VectorWritable
Key: 0: Value: http://data.artsholland.com/production/73adae07-78c6-4180-93a4-34802090b5f1:{22118:0.18376858424635545,20381:0.40144184831236357,53753:0.2605347739121081,51569:0.2578896608715637,21930:0.2277873354603338,63035:0.27765920678967304,36979:0.2709104089668357,68351:0.15788776111071648,19436:0.2988119565549418,17991:0.12435264873296237,10356:0.3276902508762499,3410:0.27239123806574506,62942:0.18961849195965186,32527:0.24827631823639457,69909:0.11723303910369048,19832:0.2138117449778048}
Key: 1: Value: http://data.artsholland.com/production/c9fcc92b-18bb-4bfb-af52-380707f8d0d7:{41167:0.07191351238480857,61391:0.07496730342220936,[...]
[...],19156:0.0687215948604245}
Count: 46599

Answer 1

不确定，我的答案是否有用，但是如果您需要知道seq文件中有多少键，则可以使用MapFile而不是SequenceFile。了解indexInterval，您可以通过读取密钥文件来估计密钥的数量。如果将indexInterval设置为相对较大的值，则可以维护较小的索引文件，并且仍然可以估计键数。作为额外的奖励，您可以得到您的密钥抽样，这可以帮助您进一步优化。

有关不同版本的SequenceFiles的更多详细信息，请参见http://www.cloudera.com/blog/2011/01/hadoop-io-sequence-map-set-array-bloommap-files/