Hadoop_FileInputFormat分片

Hadoop学习笔记总结

01. InputFormat和OutFormat

1. 整个MapReduce组件

InputFormat类和OutFormat类都是抽象类。
可以实现文件系统的读写,数据库的读写,服务器端的读写。
这样的设计,具有高内聚、低耦合的特点。

2. 提交任务时,获取split切片信息的流程

  1. JobSubmitter初始化submitterJobDir资源提交路径,是提交到HDFS保存文件路径,一些Jar包和配置文件:

  2. 接下来,是JobSubmitter中将切片信息写入submitJobDir目录。
    int maps = writeSplits(job, submitJobDir);

  3. writeSplits方法中,首先会通过反射拿到用户设置的InputFormat子类的实例(默认为TextInputFormat类),然后调用FileInputFormat的getSplit方法(父类公共方法)再获得切片的信息,封装到InputSplit中,返回List

    InputFormat<?, ?> input =
      ReflectionUtils.newInstance(job.getInputFormatClass(), conf);
    List<InputSplit> splits = input.getSplits(job);
  4. 最后将切片描述信息写到submitterJobDir资源提交路径中。

    JobSplitWriter.createSplitFiles(jobSubmitDir, conf, jobSubmitDir.getFileSystem(conf), array);
  5. InputSplit包含block块所在位置主机,路径,偏移量等信息。分片数据不包含数据本身,而是指向数据的引用。

  6. input.getSplits()方法解析

    由FileInputFormat类中getSplits方法决定。
    计算公式:

    //computeSplitSize中
    minSize=max{getFormatMinSplitSize(),mapred.min.split.size} (getFormatMinSplitSize()大小默认为1B)
    maxSize=mapred.max.split.size(不在配置文件中指定时大小为Long.MAX_VALUE)
    //blockSize是默认的配置大小:128MB
    
    //分片大小的计算公式
    splitSize=max{minSize,min{maxSize,blockSize}}

    默认情况下,minSize < blockSize < maxSize
    所以,默认不在配置文件配置split最大值和最小值,分片大小就是blockSize,128MB。

公式的含义:取分片大小不大于block,并且不小于在mapred.min.split.size配置中定义的最小Size。

举例说明如何控制分片大小:

3. 为什么Hadoop不擅长小文件

逻辑上,FileInputFormat生成的分块是一个文件或者该文件的一部分,如果是很多小文件,就生成了很多的逻辑block。默认情况下,一个分片就是一个block,因而,会有很多个map任务,每次map操作都有很多额外的开销。

因此,运行大量小文件的任务,会增加运行作业的额外开销;浪费NameNode内存。

原文地址:https://www.cnblogs.com/yulei126/p/6777294.html