Hadoop MapReduce 框架原理 | InputFormat 数据输入

---

一、切片与MapTask并行度决定机制

MapTask的并行度决定Map阶段的任务处理并发读，进而影响到整个Job的处理速度，引入两个概念：

• 数据块：Block是HDFS物理上把数据分成一块一块，数据块是HDFS存储数据单位
• 数据切片： 只是在逻辑上对输入进行分片，并不会在磁盘上将其切分成片进行存储。数据切片是MapReduce程序计算输入数据的单位，一个切片会对应启动一个MapTask

二、Job提交流程

提交一个Job要经过：

• 建立连接connect()
  • 在这里会判断该Job是本地运行环境还是YARN集群运行环境
• 提交Job，submitJobInternal()
  • 创建给集群提交数据的Stag路径—getStagingDir()
  • 获取JobId，并创建Job路径—getNewJobID()
  • 拷贝jar包到集群—copyAndConfigureFiles()与uploadFiles
  • 计算切片，生成切片的规划文件—writeSplits
  • 向Stag路径写XML配置文件—writreXml()
  • 最后提交Job，返回提交状态

如下图所示：

三、切片执行流程解析

四、FileInputFormat切片机制

切片机制：

• 简单地按照文件的内容长度进行切片
• 切片的大小默认等于Block大小
• 切片时不考虑数据集整体，而是逐个针对每一个文件单独切片

比如输入数据有两个文件：

file1.txt			320M
file2.txt			10M

经过FileInputFormat的切片机制运算后，形成的切片信息如下：

file1.txt.split1			0~128
file1.txt.split2			128~256
file1.txt.split3			256~320
file2.txt.split1			0~19

源码中计算切片大小的公式：

Math.max(minSize,Math.max(maxSize,blockSize));
mapreduce.input.fileinputformat.split.minsize=1		默认值为1
mapreduce.input.fileinputformat.split.maxsize=Long.MAXValue		默认值Long.MAXValue

默认情况下，切片大小=blocksize

切片大小设置：

• maxsize（切片最大值）：参数如果调的比blockSize小，则会让切片变小，而且就等于配置的这个参数值
• minsize（切片最小值）：参数调的比blockSize大，则可以让切片变得比blockSize还大

获取切片信息API：

//获取切片的文件名称
String name = inputSplit.getPath().getName();
//根据文件类型获取切片信息
FileSplit inputSplit = (FileSplit) context.getInputSplit();

五、TextInputFormat

在运行MapReuce程序时，输入的文件格式包括：基于行的日志文件、二进制格式文件、数据库表等。针对不同的数据类型，MapReduce给用户提供了很多的接口

FileInputFormat常见的实现类包括：TextInputFormat、KeyValueTextInputFormat、NLineInputFormat、CombineTextInputFormat和自定义InputFormat等

TextInputFormat 是默认的 FileInputFormat 实现类。按行读取每条记录。键是存储该行在整个文件中的起始字节偏移量， LongWritable 类型。值是这行的内容，不包括任何行终止 符（换行符和回车符），Text 类型。

以下是一个示例，比如，一个分片包含了如下 4 条文本记录。

Rich learning form
Intelligent learning engine 
Learning more convenient
From the real demand for more close to the enterprise 

每条记录表示为以下键/值对：

(0,Rich learning form)
(20,Intelligent learning engine)
(49,Learning more convenient)
(74,From the real demand for more close to the enterprise)

六、CombineTextInputFormat切片机制

转载：https://blog.csdn.net/lesileqin/article/details/115800251