java多个文件作为Amazon Elastic MapReduce上的输入

Question

我正试图用一个自定义jar在Elastic MapReduce（EMR）上运行一个作业。我试图在一个目录中处理大约1000个文件。当我使用参数s3n://bucketname/compressed/*.xml.gz提交作业时，会出现“匹配的0个文件”错误。如果我只传递文件的绝对路径（例如s3n://bucketname/compressed/00001.xml.gz），它运行正常，但只处理一个文件。我尝试使用目录名（s3n://bucketname/compressed/），希望其中的文件将被处理，但这只是将目录传递给作业

同时，我有一个较小的本地hadoop安装。在这种情况下，当我用通配符（/path/to/dir/on/hdfs/*.xml.gz）通过我的工作时，它工作正常，所有1000个文件都正确列出

如何让EMR列出我的所有文件

Answer 1

我不知道EMR是如何列出所有文件的，但这里有一段代码适合我：

        FileSystem fs = FileSystem.get(URI.create(args[0]), job.getConfiguration());
        FileStatus[] files = fs.listStatus(new Path(args[0]));
        for(FileStatus sfs:files){
            FileInputFormat.addInputPath(job, sfs.getPath());
        }

它将列出输入目录中的所有文件，您可以对这些文件执行任何操作