使用JAVA API 解析ORC File

orc File 的解析过程中，使用FileInputFormat的getSplits(conf, 1)函数，

然后使用 RecordReaderreader = in.getRecordReader(splits[0], conf, Reporter.NULL);

解析ORCfile， 发现当ORC 文件的比较大的时候，超过256M时，不能读取所有的数据。

比如一个ORC 文件有300M，共有180万的条数据，使用上面的方法只能读取出110万的数据，剩下70万的数据读取不出。

使用的读取示例源码如下：

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.FileSystem;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.hive.ql.io.orc.*;

import org.apache.hadoop.hive.ql.io.orc.RecordReader;

import org.apache.hadoop.hive.serde2.SerDeException;

import org.apache.hadoop.hive.serde2.objectinspector.StructField;

import org.apache.hadoop.hive.serde2.objectinspector.StructObjectInspector;

import org.apache.hadoop.mapred.*;

import org.apache.orc.TypeDescription;

import java.io.IOException;

import java.util.ArrayList;

import java.util.List;

import java.util.Properties;

    public void readOrcFile(String fileName) throws SerDeException, IOException {

        JobConf conf = new JobConf(hadoopConf);

        Path orcFilePath = new Path(fileName);

        StringBuilder allColumns = new StringBuilder();

        StringBuilder allColumnTypes = new StringBuilder();

        Properties p = new Properties();

        p.setProperty("columns", "url,word,freq,weight");

        p.setProperty("columns.types", "string:string:string:string");

        OrcSerde serde = new OrcSerde();

        serde.initialize(conf, p);

        StructObjectInspector inspector = (StructObjectInspector) serde.getObjectInspector();

        OrcInputFormat in = new OrcInputFormat();

        FileInputFormat.setInputPaths(conf, orcFilePath);

        InputSplit[] splits = in.getSplits(conf, 1);

        System.out.println("splits.length==" + splits.length);

        RecordReader reader = in.getRecordReader(splits[0], conf, Reporter.NULL);

        Long count = 0 L;

        while (reader.next(key, value)) {

             count ++;

        }

        reader.close();

    }

org.apache.hadoop.mapred.InputFormat接口的getSplits方法定义如下：

InputSplit[] getSplits(JobConf job,

                       int numSplits)

                       throws IOException

其中numSplits参数的含义时期望得到分片数， 如上的例子中，期望输入文件的分片为1个，如果ORC文件有多个分片则会被合并成一个分片。但是hdfs的中设置的一个分片最大为256M，所以合并成1个分片就会少300-256=44M的数据，造成了上面的问题。

如果 numSplits 参数的值设置为小于0的负数，则会按照ORC File的正常的 stripe个数生成split。

InputSplit[] splits = in.getSplits(conf, -1) 得到的 splits 个数是6个，6个splits中记录数是预期

中的180条。

(二)使用 org.apache.hadoop.hive.ql.io.orc.Reader 类读取ORC文件

可以通过reader.getSchema(); // 获取ORC文件的schema文件。

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.FileSystem;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.hive.ql.io.orc.*;

import org.apache.hadoop.hive.ql.io.orc.RecordReader;

import org.apache.hadoop.hive.serde2.SerDeException;

import org.apache.hadoop.hive.serde2.objectinspector.StructField;

import org.apache.hadoop.hive.serde2.objectinspector.StructObjectInspector;

import org.apache.hadoop.mapred.*;

import org.apache.orc.TypeDescription;

import java.io.IOException;

import java.util.ArrayList;

import java.util.List;

import java.util.Properties;

    public void readOrc(String INPUT) throws IOException {

        Configuration conf = new Configuration();

        Path file_in = new Path(INPUT);

        Reader reader = OrcFile.createReader(FileSystem.getLocal(conf), file_in);

        TypeDescription schema = reader.getSchema();  // 获取ORC文件的schema文件

        System.out.println(schema.toJson());

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

        System.out.println("--------------------------------");

        StructObjectInspector inspector = (StructObjectInspector) reader.getObjectInspector();

        RecordReader records = reader.rows();

        Object row = null;

        Long count = 0L;

        while (records.hasNext()) {

            row = records.next(row);

      //    System.out.println(row.toString());

            count++;

            List value_lst = inspector.getStructFieldsDataAsList(row);

        }

        System.out.println("--------total line=" + count);

    }