第一种切片机制——FileInputFormat


在job提交阶段我们会提交 xml文件、jar包、和切片信息,xml文件我们可以在程序中申明或写成配置文件,jar包就是我们的逻辑代码和依赖,而我们的切片信息可以由FileInputFormat和CombineTextInputFormat切片机制决定(也可以自定义切片机制)!!!

1.简介

FileInputFormat是所有基于文件的InputFormat的基类。这个基类提供了getSplits的通用性实现。FileInputFormat的子类需要覆写isSplitable方法来确保input-files不能被切分,并且被作为一个整体输入到mapper。FileInputFormat抽象类除了实现了父类InputFormat的抽象方法getSplits,还增加了一个比较重要的方法是IsSplitable,主要作用是:由于我们输入的文本文件可能是压缩文件,而压缩文件并不一定能被切分,所以判断的是压缩编码是否为SplittableCompressionCodec接口的实现,目前默认支持的可切分压缩编码为BZip2Codec,这也就是我们使用gzip等其他压缩文件进行处理的时候,map的个数等于压缩文件的个数。getSplits通过判断IsSplitable是否为true来选择对输入文件进行切分还是把文件当作一个split。

2.切片的默认机制

  1. 简单地按照文件的内容长度进行切片
  2. 切片大小,默认等于Block大小
  3. 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
    图解三:
    在这里插入图片描述

3.介绍默认切片流程

  1. 程序先找到你数据存储的目录
  2. 开始遍历处理(规划切片)目录下的每一个文件
  3. 遍历第一个文件file1.txt
	//源码流程
	1)获取文件大小:fs.sizeOf(ss.txt)
	2)计算切片大小:(computeSliteSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M)
	3)开始切 第一个切片:ss.txt--0:128M
			 第二个切片:ss.txt--128:256M
			 第三个切片:ss.txt--256:320M
	//注:每次切片时,都要判断切完剩下的部分是否大于块的1.1倍,不大于1.1倍就划分一块切片
	4)将切片信息写到一个切片规划文件中
	5) 整个切片的核心过程在getSplit()方法中完成
	6) InputSplit只记录了切片的元数据信息,比如起始位置、长度以及所在的节点列表等。
  1. 提交切片规划文件到YARN上,YARN上的MrAppMaster就可以根据切片规划文件计算开启MapTask个数。

4.某些细节详解

1. 源码中计算切片大小的公式
Math.max(minSize, Math.min(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
因此,默认情况下,切片大小=blocksize。

2. 改变切片大小
1)maxsize(切片最大值):参数如果调得比blockSize小,则会让切片变小,而且就等于配置的这个参数的值
2)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。

5.FileInputFormat最常用的三个子类

输入格式功能描述键类型值类型
TextInputFormat每条记录是一行输入。键是LongWritable类型,存储该行在整个文件中的起始字节偏移量。值是这行的内容,不包括任何行终止符(换行符和回车符)。行的字节偏移量(LongWritable)行的内容(Text)
KeyValueInputFormat每一行均为一条记录,被分隔符分割为key,value。可以通过在驱动类中设置conf.set(KeyValueLineRecordReader.KEY_VALUE_SEPERATOR, “\t”);来设定分隔符。默认分隔符是tab(\t)第一个定义key/value分隔符之前的所有字符(Text)第一个定义key/value分隔符之后的所有字符(Text)
NLineInputFormat如果使用NlineInputFormat,代表每个map进程处理的InputSplit不再按Block块去划分,而是按NlineInputFormat指定的行数N来划分。即输入文件的总行数/N=切片数,如果不整除,切片数=商+1。行的字节偏移量(LongWritable)行的内容(Text)
SequenceFileInputFormatHadoop定义的高性能二进制格式用户自定义用户自定义

版权声明:本博客为记录本人自学感悟,转载需注明出处!
https://me.csdn.net/qq_39657909

已标记关键词 清除标记
©️2020 CSDN 皮肤主题: 技术黑板 设计师:CSDN官方博客 返回首页