MapReduce Input Split（输入分/切片）详解--比较容易理解

转自：https://blog.csdn.net/Dr_Guo/article/details/51150278

看了很多博客，感觉没有一个说的很清楚，所以我来整理一下。

先看一下这个图

输入分片（Input Split）：在进行map计算之前，mapreduce会根据输入文件计算输入分片（input split），每个输入分片（input split）针对一个map任务，输入分片（input split）存储的并非数据本身，而是一个分片长度和一个记录数据的位置的数组。

Hadoop 2.x默认的block大小是128MB，Hadoop 1.x默认的block大小是64MB，可以在hdfs-site.xml中设置dfs.block.size，注意单位是byte。

分片大小范围可以在mapred-site.xml中设置，mapred.min.split.size mapred.max.split.size，minSplitSize大小默认为1B，maxSplitSize大小默认为Long.MAX_VALUE = 9223372036854775807

那么分片到底是多大呢？

minSize=max{minSplitSize,mapred.min.split.size} 

maxSize=mapred.max.split.size

splitSize=max{minSize,min{maxSize,blockSize}}

我们再来看一下源码

所以在我们没有设置分片的范围的时候，分片大小是由block块大小决定的，和它的大小一样。比如把一个258MB的文件上传到HDFS上，假设block块大小是128MB，那么它就会被分成三个block块，与之对应产生三个split，所以最终会产生三个map task。我又发现了另一个问题，第三个block块里存的文件大小只有2MB，而它的block块大小是128MB，那它实际占用Linux file system的多大空间？

答案是实际的文件大小，而非一个块的大小。

有大神已经验证这个答案了：http://blog.csdn.net/samhacker/article/details/23089157

1、往hdfs里面添加新文件前，hadoop在linux上面所占的空间为 464 MB：

2、往hdfs里面添加大小为2673375 byte(大概2.5 MB)的文件：

2673375 derby.jar

3、此时，hadoop在linux上面所占的空间为 467 MB——增加了一个实际文件大小(2.5 MB)的空间，而非一个block size(128 MB)：

4、使用hadoop dfs -stat查看文件信息： 

这里就很清楚地反映出： 文件的实际大小(file size)是2673375 byte， 但它的block size是128 MB。

5、通过NameNode的web console来查看文件信息: 

结果是一样的： 文件的实际大小(file size)是2673375 byte， 但它的block size是128 MB。

6、不过使用‘hadoop fsck’查看文件信息，看出了一些不一样的内容——  ‘1（avg.block size 2673375 B）’: 

值得注意的是，结果中有一个 ‘1（avg.block size 2673375 B）’的字样。这里的 'block size' 并不是指平常说的文件块大小(Block Size)—— 后者是一个元数据的概念，相反它反映的是文件的实际大小(file size)。以下是Hadoop Community的专家给我的回复： 

“The fsck is showing you an "average blocksize", not the block size metadata attribute of the file like stat shows. In this specific case, the average is just the length of your file, which is lesser than one whole block.”

最后一个问题是： 如果hdfs占用Linux file system的磁盘空间按实际文件大小算，那么这个”块大小“有必要存在吗？

其实块大小还是必要的，一个显而易见的作用就是当文件通过append操作不断增长的过程中，可以通过来block size决定何时split文件。以下是Hadoop Community的专家给我的回复： 

“The block size is a meta attribute. If you append tothe file later, it still needs to know when to split further - so it keeps that value as a mere metadata it can use to advise itself on write boundaries.” 

补充：我还查到这样一段话

原文地址：http://blog.csdn.net/lylcore/article/details/9136555

一个split的大小是由goalSize, minSize, blockSize这三个值决定的。computeSplitSize的逻辑是，先从goalSize和blockSize两个值中选出最小的那个（比如一般不设置map数，这时blockSize为当前文件的块size，而goalSize是文件大小除以用户设置的map数得到的，如果没设置的话，默认是1）。

hadooop提供了一个设置map个数的参数mapred.map.tasks，我们可以通过这个参数来控制map的个数。但是通过这种方式设置map的个数，并不是每次都有效的。原因是mapred.map.tasks只是一个hadoop的参考数值，最终map的个数，还取决于其他的因素。

     为了方便介绍，先来看几个名词：

block_size : hdfs的文件块大小，默认为64M，可以通过参数dfs.block.size设置

total_size : 输入文件整体的大小

input_file_num : 输入文件的个数

（1）默认map个数

     如果不进行任何设置，默认的map个数是和blcok_size相关的。

     default_num = total_size / block_size;

（2）期望大小

     可以通过参数 mapred.map.tasks来设置程序员期望的map个数，但是这个个数只有在大于default_num的时候，才会生效。

     goal_num =  mapred.map.tasks;

（3）设置处理的文件大小

     可以通过mapred.min.split.size 设置每个task处理的文件大小，但是这个大小只有在大于 block_size的时候才会生效。

     split_size = max( mapred.min.split.size,  block_size );

     split_num = total_size / split_size;

（4）计算的map个数

compute_map_num = min(split_num,  max(default_num, goal_num))

     除了这些配置以外，mapreduce还要遵循一些原则。 mapreduce的每一个map处理的数据是不能跨越文件的，也就是说min_map_num >= input_file_num。 所以，最终的map个数应该为：

     final_map_num = max(compute_map_num, input_file_num)

     经过以上的分析，在设置map个数的时候，可以简单的总结为以下几点：

（1）如果想增加map个数，则设置mapred.map.tasks 为一个较大的值。

（2）如果想减小map个数，则设置mapred.min.split.size 为一个较大的值。

（3）如果输入中有很多小文件，依然想减少map个数，则需要将小文件merger为大文件，然后使用准则2。

版权声明：本文为博主原创文章，转载请加上原文地址，谢谢！ https://blog.csdn.net/Dr_Guo/article/details/51150278

目前您尚未登录，请 登录 或 注册 后进行评论

DirectX5.0最新游戏编程指南 DirectDraw教程篇 一、配置DirectX SDK

 DirectX5.0最新游戏编程指南DirectDraw教程篇    DirectX是为Visual C++的用户准备的，因此要编制DirectDraw游戏程序，最好对VC要有一定的了解。不愿意使用...

• 
• holyfire
• 2001-04-16 09:37:00
• 3342

Hadoop-2.4.1源码分析--MapReduce作业切片(Split)过程

在上一篇文章《Hadoop源码分析--MapReduce作业(job)提交源码跟踪》中，我介绍了Job的提交过程源码，介绍的最后一个方法是submitJobInternal(Jobjob, Clus...

• 
• u010010428
• 2016-05-21 16:43:51
• 2308

MapReduce Input Split(输入分/切片)详解 - CSDN博客

输入分片(Input Split):在进行map计算之前,mapreduce会根据输入文件计算输入分片...比如把一个258MB的文件上传到HDFS上,假设block块大小是128MB,那么它就会被分成...

• 2018-4-9

解析如何读取文件形成InputSplit - CSDN博客

InputFormat 并没有实现RecordReader  ,只是实现了文件的分片FileSplit。...2.x默认的block大小是128MB,Hadoop 1.x默认的block大小是64MB,可以在hdfs-...

• 2018-4-14

广告

Hadoop InputFormat定制时必须知道的原理---如何划分split，split如何调度，如何读取

在执行一个Job的时候，Hadoop会将输入数据划分成N个Split，然后启动相应的N个Map程序来分别处理它们。 数据如何划分？Split如何调度（如何决定处理Split的Map程序应该运行在哪台...

• 
• chenhuijie666
• 2014-05-21 15:55:31
• 1242

Hadoop中 MapReduce中InputSplit的分析 - CSDN博客

public InputSplit[] getSplits(JobConf job, int numSplits) throwsIOException { //获取文件列表的状态,底层通过HDFS客户端的//DistributedFileSystem.getFileStatus...

• 2018-4-17

Hadoop InputFormat定制时必须知道的原理---如何划分sp..._CSDN博客

在第3步中,JobClient向HDFS提交的资源就包含了InputSplit,这就是数据划分的结果。也就是说,数据划分是在JobClient上完成的。在这里,JobClient会使用指定的InputForm...

• 2018-3-23

hadoop 文件分块，block与split关系

• 
• soony_007
• 2013-10-09 19:57:36
• 3997

hadoop的分块有两部分，其中第一部分更为人熟知一点。   第一部分就是数据的划分（即把File划分成Block），这个是物理上真真实实的进行了划分，数据文件上传到HDFS里的时候，需要划分成一...

hadoop block split 区别

• 
• baolibin528
• 2015-03-16 15:16:31
• 695

Hadoop权威指南（第三版）P31 Hadoop divides the input to a MapReduce job into fixed-size pieces called inpu...

Hadoop源码解析之: TextInputFormat如何处理跨split的行 - CSDN博客

我们知道hadoop将数据给到map进行处理前会使用InputFormat对数据进行两方面的预处理: 对输入数据进行切分,生成一组split,一个split会分发给一个mapper进行处理。 针对...

• 2018-4-5

MapReduce中InputFormat和InputSplit解读 - CSDN博客

(job)要操作的数据保存在文件系统HDFS上,InputFormat接口定义的方法就是如何读取...        InputSplit是Hadoop定义的用来传送给每个单独的map的...