1. 丢失文件路径过滤
应用场景：我们想查询一个月以来度假的订单数据，但是HDFS中可能因为业务故障，导致某一天的订单数据不存在：
FileInputFormat.setInputPaths(job, inputPath);
上述代码在遇到路径不存在的时候会报错。
所以在设置路径之前需要进行一次判断，判断这个路径在HDFS上是否存在，如果存在，使用addInputPath方法添加：
FileSystem fileSystem = FileSystem.get(conf);
String[] params = inputPath.split(",");
for(String path : params){
boolean isExists = fileSystem.exists(new Path(path));
if(isExists){
FileInputFormat.addInputPath(job, new Path(path));
}
}
2. 文件名过滤
在一步操作中处理批量文件，这个要求很常见。举例来说，处理日志的MapReduce作业可能会分析一个月的文件，这些文件被包含在大量目录中。Hadoop有一个通配的操作，可以方便地使用通配符在一个表达式中核对多个文件，不需要列举每个文件和目录来指定输入。Hadoop为执行通配提供了两个FileSystem方法：
public FileStatus[] globStatus(Path pathPattern) throws IOException
public FileStatus[] globStatus(Path pathPattern, PathFilter filter) throws IOException
globStatus()返回了其路径匹配于所供格式的FileStatus对象数组，按路径排序。可选的PathFilter命令可以进一步指定限制匹配。
2.1 通配符过滤
Hadoop支持的一系列通配符与Unix bash相同：
| 通配符 | 名称 | 匹配 |
|---|---|---|
* |
星号 | 匹配0或多个字符 |
? |
问号 | 匹配单一字符 |
[ab] |
字符类别 | 匹配{a,b}中的一个字符 |
[^ab] |
非字符类别 | 匹配不是{a,b}中的一个字符 |
[a-b] |
字符范围 | 匹配一个在{a,b}范围内的 字符(包括ab)，a在字典 顺序上要小于或等于b |
[^a-b] |
非字符范围 | 匹配一个不在{a,b}范围内 的字符(包括ab)，a在字 典顺序上要小于或等于b |
{a,b} |
或选择 | 匹配包含a或b中的一个的语句 |
\c |
转义字符 | 匹配元字符c |
假设有日志文件存储在按日期分层组织的目录结构中。如此一来，便可以假设2007年最后一天的日志文件就会以/2007/12/31的命名存入目录。假设整个文件列表如下：
/2007/12/30
/2007/12/31
/2008/01/01
/2008/01/02
以下是一些文件通配符及其扩展：
| 通配符 | 扩展 |
|---|---|
/* |
/2007/2008 |
/*/* |
/2007/12 /2008/01 |
/*/12/* |
/2007/12/30 /2007/12/31 |
/200? |
/2007 /2008 |
/200[78] |
/2007 /2008 |
/200[7-8] |
/2007 /2008 |
/200[^01234569] |
/2007 /2008 |
/*/*/{31,01} |
/2007/12/31 /2008/01/01 |
/*/*/3{0,1} |
/2007/12/30 /2007/12/31 |
/*/{12/31,01/01} |
/2007/12/31 /2008/01/01 |
Example：
FileSystem fileSystem = FileSystem.get(conf);
FileStatus[] fileStatusArray = fileSystem.globStatus(new Path("mysql-log/201612/0[1-3]/10/*"));
for(FileStatus fileStatus : fileStatusArray){
Path path = fileStatus.getPath();
System.out.println("----------------------"+path);
FileInputFormat.addInputPath(job, path);
}
输出：
----------------------hdfs://qunarcluster/user/xiaosi/mysql-log/201612/01/10/l-test.cn6
...
----------------------hdfs://qunarcluster/user/xiaosi/mysql-log/201612/02/10/l-test.cn6
...
----------------------hdfs://qunarcluster/user/xiaosi/mysql-log/201612/03/10/l-test.cn6
...
2.2. PathFilter过滤
通配格式不是总能够精确地描述我们想要访问的文件集合。比如，使用通配格式排除一个特定的文件就不太可能。FileSystem中的listStatus()和globStatus()方法提供了可选的PathFilter对象，使我们能够通过编程方式控制匹配：
package org.apache.hadoop.fs;
public interface PathFilter {
boolean accept(Path path);
}
PathFilter与java.io.FileFilter一样，是Path对象而不是File对象。
展示了一个PathFilter，用于排除匹配一个正则表达式的路径：
public class RegexExcludePathFilter implements PathFilter {
private final String regex;
public RegexExcludePathFilter(String regex) {
this.regex = regex;
}
public boolean accept(Path path) {
return !path.toString().matches(regex);
}
}
这个过滤器只留下与正则表达式不同的文件。我们将它与预先剔除一些文件集合的通配配合：过滤器用来优化结果。例如：
fs.globStatus( new Path("/2007/*/*"),
new RegexExcludeFilter("^.*/2007/12/31$")
)
