文章目录
- 一、切片与MapTask并行度决定机制
- 二、Job提交流程源码
- 三、FileInputFormat切片机制
- (一)FileInputFormat切片机制
- (二)FileInputFormat切片源码解析(input.getSplits(job))
- (三)案例分析
- (四)FileInputFormat切片大小的参数配置
- 四、CombineTextInputFormat切片机制
- 五、CombineTextInputFormat案例实操
- 六、FileInputFormat实现类
- 七、KeyValueTextInputFormat使用案例
- 八、NLineInputFormat使用案例
- 九、自定义InputFormat
- 十、自定义InputFormat案例实操
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度,进而影响到整个Job的处理速度
数据块:Block是HDFS物理上把数据分成一块一块
数据切片:数据切片知识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
- 一个
Job
的Map
阶段并行度由客户端在提交Job
时的切片数决定 - 每一个
Split
切片分配一个MapTask
并行实例处理 - 默认情况下,切片大小
=BlockSize
- 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
二、Job提交流程源码
核心源码:
waitForCompletion()
submit();
// 1建立连接
connect();
// 1)创建提交Job的代理
new Cluster(getConfiguration());
// (1)判断是本地yarn还是远程
initialize(jobTrackAddr, conf);
// 2 提交job
submitter.submitJobInternal(Job.this, cluster)
// 1)创建给集群提交数据的Stag路径
Path jobStagingArea = JobSubmissionFiles.getStagingDir(cluster, conf);
// 2)获取jobid ,并创建Job路径
JobID jobId = submitClient.getNewJobID();
// 3)拷贝jar包到集群
copyAndConfigureFiles(job, submitJobDir);
rUploader.uploadFiles(job, jobSubmitDir);
// 4)计算切片,生成切片规划文件
writeSplits(job, submitJobDir);
maps = writeNewSplits(job, jobSubmitDir);
input.getSplits(job);
// 5)向Stag路径写XML配置文件
writeConf(conf, submitJobFile);
conf.writeXml(out);
// 6)提交Job,返回提交状态
status = submitClient.submitJob(jobId, submitJobDir.toString(), job.getCredentials());
三、FileInputFormat切片机制
(一)FileInputFormat切片机制
- 简单的按照文件的内容长度进行切片
- 切片大小,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
(二)FileInputFormat切片源码解析(input.getSplits(job))
-
程序先找到你数据存储的目录
-
开始遍历处理(规划切片)目录下的每一个文件
-
遍历第一个文件
ss.txt(300M)
(1)获取文件大小
fs.sizeOf(ss.txt)
扫描二维码关注公众号,回复: 9050478 查看本文章(2)计算切片大小
computeSplitSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M
(3)默认情况下,切片大小
=blocksize
(4)开始切片:形成第1个切片
ss.txt—0:128M
,第2个切片ss.txt—128:256M
,第3个切片ss.txt—256M:300M
(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)(5)将切片信息写到一个切片规划文件中
(6)整个切片的核心过程在
getSplit()
方法中完成(7)
InputSplit
只记录切片的元数据信息,比如起始位置、长度以及所在的节点列表等 -
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
(三)案例分析
-
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 0M~128M file1.txt.split2 128M~256M file1.txt.split3 256M~320M file2.txt.split1 0M~10M
(四)FileInputFormat切片大小的参数配置
-
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=LongMAXValue 默认值为LongMAXValue
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minsize
(切片最小值):参数如果调的比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();
四、CombineTextInputFormat切片机制
框架默认的TextInputFormat切片机制是对任务按文件规划切片,不管文件多小,都会是一个单独的切片,都会交给一个MapTask,这样如果有大量小文件,就会产生大量的MapTask,处理效率极其低下。
-
应用场景
CombineTextInputFormat
用于小文件过多的场景,它可以将多个小文件从逻辑上规划到一个切片中,这样,多个小文件就可以交给一个MapTask
处理。 -
虚拟存储切片最大值设置
CombineTextInputFormat.setMaxInputSplitSize(job, 4194304); // 4m // 注意:虚拟存储切片最大值设置最好根据实际的小文件大小情况来设置具体的值。
-
切片机制
生成切片过程包括:虚拟存储过程和切片过程两部分
(1)虚拟存储过程
将输入目录下所有文件大小,依次和设置的
setMaxInputSplitSize
值比较,如果不大于设置的最大值,逻辑上划分一个块。如果输入文件大于设置的最大值且大于两倍,那么以最大值切割一块;当剩余数据大小超过设置的最大值且不大于最大值2倍,此时将文件均分成2个虚拟存储块(防止出现太小切片)。 例如
setMaxInputSplitSize
值为4M,输入文件大小为8.02M,则先逻辑上分成一个4M。剩余的大小为4.02M,如果按照4M逻辑划分,就会出现0.02M的小的虚拟存储文件,所以将剩余的4.02M文件切分成(2.01M和2.01M)两个文件。(2)切片过程
(a)判断虚拟存储的文件大小是否大于
setMaxInputSplitSize
值,大于等于则单独形成一个切片。 (b)如果不大于则跟下一个虚拟存储文件进行合并,共同形成一个切片。
(c)测试举例:有4个小文件大小分别为1.7M、5.1M、3.4M以及6.8M这四个小文件,则虚拟 存储之后形成6个文件块,大小分别为:1.7M,(2.55M、2.55M),3.4M以及(3.4M、3.4M)
最终会形成3个切片,大小分别为:(1.7+2.55)M,(2.55+3.4)M,(3.4+3.4)M
五、CombineTextInputFormat案例实操
(一)需求分析
-
需求
将输入的大量小文件合并成一个切片统一处理。
-
输入数据
准备4个小文件。
-
期望
期望一个切片处理这4个小文件。
(二)代码实现
以下代码均在WordCount案例基础上实现:
-
不做任何处理,运行程序,查看切片数量为4
-
在
WordcountDriver
中添加如下代码,修改虚拟存储切片最大值,使运行结果中切片数量为1// 如果不设置InputFormat,它默认用的是TextInputFormat.class job.setInputFormatClass(CombineTextInputFormat.class); //虚拟存储切片最大值设置8m CombineTextInputFormat.setMaxInputSplitSize(job, 8388608);
六、FileInputFormat实现类
FileInputFormat
常见的接口实现类包括:TextInputFormat
、KeyValueTextInputFormat
、NLineInputFormat
、CombineTextInputFormat
和自定义InputFormat
等。
-
TextInputFormat
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,为LongWritable
类型。值是这行内容,不包括任何终止符(换行符和回车符),为Text
类型。示例文本:
Rich learning form Intelligent learning engine Learning more convenient From the real demand for more close to the enterprise
对应示例键值对:
(0,Rich learning form) (19,Intelligent learning engine) (47,Learning more convenient) (72,From the real demand for more close to the enterprise)
-
KeyValueTextInputFormat
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)
。示例文本(其中——>表示一个(水平方向的)制表符):
line1 ——>Rich learning form line2 ——>Intelligent learning engine line3 ——>Learning more convenient line4 ——>From the real demand for more close to the enterprise
对应示例键值对:
(line1,Rich learning form) (line2,Intelligent learning engine) (line3,Learning more convenient) (line4,From the real demand for more close to the enterprise)
-
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。示例文本:
Rich learning form Intelligent learning engine Learning more convenient From the real demand for more close to the enterprise
对应示例键值对(如果N是2,则每个输入分片包含两行,开启两个
MapTask
):// 第一个MapTask (0,Rich learning form) (19,Intelligent learning engine) // 第二个MapTask (47,Learning more convenient) (72,From the real demand for more close to the enterprise) // 注意:此时生成的键和值与TextInputFormat生成的一样
七、KeyValueTextInputFormat使用案例
(一)需求分析
-
需求
统计输入文件中每一行第一个单词相同的行数。
-
输入数据
banzhang ni hao xihuan hadoop banzhang banzhang ni hao xihuan hadoop banzhang
-
期望输出数据
banzhang 2 xihuan 2
(二)代码实现
-
创建包名:
com.easysir.kv
-
创建
KVTextMapper
类:package com.easysir.kv; import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Mapper; import java.io.IOException; public class KVTextMapper extends Mapper<Text, Text, Text, LongWritable>{ // 1 设置value LongWritable v = new LongWritable(1); @Override protected void map(Text key, Text value, Context context) throws IOException, InterruptedException { // banzhang ni hao // 2 写出 context.write(key, v); } }
-
创建
KVTextReducer
类package com.easysir.kv; import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Reducer; import java.io.IOException; public class KVTextReducer extends Reducer<Text, LongWritable, Text, LongWritable>{ LongWritable v = new LongWritable(); @Override protected void reduce(Text key, Iterable<LongWritable> values, Context context) throws IOException, InterruptedException { long sum = 0L; // 1 汇总统计 for (LongWritable value : values) { sum += value.get(); } v.set(sum); // 2 输出 context.write(key, v); } }
-
创建
KVTextDriver
类package com.easysir.kv; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Job; import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; import org.apache.hadoop.mapreduce.lib.input.KeyValueLineRecordReader; import org.apache.hadoop.mapreduce.lib.input.KeyValueTextInputFormat; import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; import java.io.IOException; public class KVTextDriver { public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException { // 输入输出路径需要根据自己电脑上实际的输入输出路径设置 args = new String[] { "E:\\idea-workspace\\mrWordCount\\input\\kv_data.txt", "E:\\idea-workspace\\mrWordCount\\output" }; Configuration conf = new Configuration(); // 设置切割符 conf.set(KeyValueLineRecordReader.KEY_VALUE_SEPERATOR, " "); // 1 获取job对象 Job job = Job.getInstance(conf); // 2 设置jar包位置,关联mapper和reducer job.setJarByClass(KVTextDriver.class); job.setMapperClass(KVTextMapper.class); job.setReducerClass(KVTextReducer.class); // 3 设置map输出kv类型 job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(LongWritable.class); // 4 设置最终输出kv类型 job.setOutputKeyClass(Text.class); job.setOutputValueClass(LongWritable.class); // 5 设置输入输出数据路径 FileInputFormat.setInputPaths(job, new Path(args[0])); // 设置输入格式 job.setInputFormatClass(KeyValueTextInputFormat.class); // 6 设置输出数据路径 FileOutputFormat.setOutputPath(job, new Path(args[1])); // 7 提交job job.waitForCompletion(true); } }
八、NLineInputFormat使用案例
(一)需求分析
-
需求
对每个单词进行个数统计,要求根据每个输入文件的行数来规定输出多少个切片。
-
输入数据(本案例要求每三行放入一个切片)
banzhang ni hao xihuan hadoop banzhang banzhang ni hao xihuan hadoop banzhang banzhang ni hao xihuan hadoop banzhang banzhang ni hao xihuan hadoop banzhang banzhang ni hao xihuan hadoop banzhang banzhang ni hao xihuan hadoop banzhang
-
期望输出数据
number of splits:4
(二)代码实现
-
创建包名:
com.easysir.nline
-
创建
NLineMapper
类:package com.easysir.nline; import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Mapper; import java.io.IOException; public class NLineMapper extends Mapper<LongWritable, Text, Text, LongWritable>{ private Text k = new Text(); private LongWritable v = new LongWritable(1); @Override protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { // 1 获取一行 String line = value.toString(); // 2 切割 String[] splited = line.split(" "); // 3 循环写出 for (int i = 0; i < splited.length; i++) { k.set(splited[i]); context.write(k, v); } } }
-
创建
NLineReducer
类package com.easysir.nline; import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Reducer; import java.io.IOException; public class NLineReducer extends Reducer<Text, LongWritable, Text, LongWritable>{ LongWritable v = new LongWritable(); @Override protected void reduce(Text key, Iterable<LongWritable> values, Context context) throws IOException, InterruptedException { long sum = 0l; // 1 汇总 for (LongWritable value : values) { sum += value.get(); } v.set(sum); // 2 输出 context.write(key, v); } }
-
创建
NLineDriver
类package com.easysir.nline; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Job; import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; import org.apache.hadoop.mapreduce.lib.input.NLineInputFormat; import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; import java.io.IOException; /** * description * * @author Hu.Wang 2020/02/09 13:38 */ public class NLineDriver { public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException { // 输入输出路径需要根据自己电脑上实际的输入输出路径设置 args = new String[] { "E:\\idea-workspace\\mrWordCount\\input\\nline_data.txt", "E:\\idea-workspace\\mrWordCount\\output" }; // 1 获取job对象 Configuration conf = new Configuration(); Job job = Job.getInstance(conf); // 2 设置jar包位置 job.setJarByClass(NLineDriver.class); // 3 关联map和reduce job.setMapperClass(NLineMapper.class); job.setReducerClass(NLineReducer.class); // 4 设置map输出kv类型 job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(LongWritable.class); // 5 设置最终输出kv类型 job.setOutputKeyClass(Text.class); job.setOutputKeyClass(LongWritable.class); // 设置每个切片行数 NLineInputFormat.setNumLinesPerSplit(job, 3); // 设置使用NLineInputFormat进行切片 job.setInputFormatClass(NLineInputFormat.class); // 6 设置输入输出路径 FileInputFormat.setInputPaths(job, new Path(args[0])); FileOutputFormat.setOutputPath(job, new Path(args[1])); // 7 提交job job.waitForCompletion(true); } }
九、自定义InputFormat
在企业开发中,Hadoop框架自带的InputFormat类型不能满足所有应用场景,需要自定义InputFormat来解决实际问题。
自定义InputFormat
的步骤如下:
- 自定义一个类继承
FileInputFormat
- 改写
RecordReader
,实现一次读取一个完整文件封装为KV - 在输出时使用
SequenceFileOutPutFormat
输出合并文件
十、自定义InputFormat案例实操
(一)需求分析
-
需求
将多个小文件合并成一个
SequenceFile
文件(SequenceFile
文件是Hadoop
用来存储二进制形式的key-value
对的文件格式),SequenceFile
里面存储着多个文件,存储的形式为文件路径+名称为key
,文件内容为value
。 -
输入数据
三个
txt
文件。 -
期望输出
一个二进制文件。
-
需求分析
(1)自定义一个类继承
FileInputFormat
a. 重写
isSplitable()
方法,返回false
不可切割 b. 重写
createRecordReader()
,创建自定义的RecordReader
对象,并初始化(2)改写
RecordReader
,实现一次读取一个完整文件封装为KV a. 采用IO流一次读取一个文件输出到value中,因为设置了不可切片,最终把所有文件都封装到value中
b. 获取文件路径信息+名称,并设置key
(3)设置
Driver
// 设置输入的inputFormat job.setInputFormatClass(WholeFileInputformat.class); // 设置输出的outputFormat job.setOutputFormatClass(SequenceFileOutputFormat.class);
(二)代码实现
-
创建包名:
com.easysir.inputformat
-
创建
WholeFileInputformat
类:package com.easysir.inputformat; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.BytesWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.InputSplit; import org.apache.hadoop.mapreduce.JobContext; import org.apache.hadoop.mapreduce.RecordReader; import org.apache.hadoop.mapreduce.TaskAttemptContext; import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; import java.io.IOException; // 定义类继承FileInputFormat,其中Text为文件的路径和名称信息 public class WholeFileInputformat extends FileInputFormat<Text, BytesWritable>{ @Override protected boolean isSplitable(JobContext context, Path filename) { return false; } @Override public RecordReader<Text, BytesWritable> createRecordReader(InputSplit split, TaskAttemptContext context) throws IOException, InterruptedException { WholeRecordReader recordReader = new WholeRecordReader(); recordReader.initialize(split, context); return recordReader; } }
-
创建
WholeRecordReader
类:package com.easysir.inputformat; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.FSDataInputStream; import org.apache.hadoop.fs.FileSystem; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.BytesWritable; import org.apache.hadoop.io.IOUtils; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.InputSplit; import org.apache.hadoop.mapreduce.RecordReader; import org.apache.hadoop.mapreduce.TaskAttemptContext; import org.apache.hadoop.mapreduce.lib.input.FileSplit; import java.io.IOException; public class WholeRecordReader extends RecordReader<Text, BytesWritable>{ private Configuration configuration; private FileSplit split; private boolean isProgress= true; private BytesWritable value = new BytesWritable(); private Text k = new Text(); @Override public void initialize(InputSplit split, TaskAttemptContext context){ this.split = (FileSplit)split; configuration = context.getConfiguration(); } @Override public boolean nextKeyValue() throws IOException { if (isProgress) { // 1 定义缓存区 byte[] contents = new byte[(int)split.getLength()]; FileSystem fs = null; FSDataInputStream fis = null; try { // 2 获取文件系统 Path path = split.getPath(); fs = path.getFileSystem(configuration); // 3 读取数据 fis = fs.open(path); // 4 读取文件内容 IOUtils.readFully(fis, contents, 0, contents.length); // 5 输出文件内容 value.set(contents, 0, contents.length); // 6 获取文件路径及名称 String name = split.getPath().toString(); // 7 设置输出的key值 k.set(name); } finally { IOUtils.closeStream(fis); } isProgress = false; return true; } return false; } @Override public Text getCurrentKey(){ return k; } @Override public BytesWritable getCurrentValue(){ return value; } @Override public float getProgress(){ return 0; } @Override public void close(){ } }
-
创建
SequenceFileMapper
类:package com.easysir.inputformat; import org.apache.hadoop.io.BytesWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Mapper; import java.io.IOException; public class SequenceFileMapper extends Mapper<Text, BytesWritable, Text, BytesWritable>{ @Override protected void map(Text key, BytesWritable value, Context context) throws IOException, InterruptedException { context.write(key, value); } }
-
创建
SequenceFileReducer
类:package com.easysir.inputformat; import org.apache.hadoop.io.BytesWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Reducer; import java.io.IOException; public class SequenceFileReducer extends Reducer<Text, BytesWritable, Text, BytesWritable> { @Override protected void reduce(Text key, Iterable<BytesWritable> values, Context context) throws IOException, InterruptedException { context.write(key, values.iterator().next()); } }
-
创建
SequenceFileDriver
类:package com.easysir.inputformat; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.BytesWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Job; import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; import org.apache.hadoop.mapreduce.lib.output.SequenceFileOutputFormat; import java.io.IOException; public class SequenceFileDriver { public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException { // 输入输出路径需要根据自己电脑上实际的输入输出路径设置 args = new String[] { "E:\\idea-workspace\\mrWordCount\\input1", "E:\\idea-workspace\\mrWordCount\\output" }; // 1 获取job对象 Configuration conf = new Configuration(); Job job = Job.getInstance(conf); // 2 设置jar包存储位置、关联自定义的mapper和reducer job.setJarByClass(SequenceFileDriver.class); job.setMapperClass(SequenceFileMapper.class); job.setReducerClass(SequenceFileReducer.class); // 7设置输入的inputFormat job.setInputFormatClass(WholeFileInputformat.class); // 8设置输出的outputFormat job.setOutputFormatClass(SequenceFileOutputFormat.class); // 3 设置map输出端的kv类型 job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(BytesWritable.class); // 4 设置最终输出端的kv类型 job.setOutputKeyClass(Text.class); job.setOutputValueClass(BytesWritable.class); // 5 设置输入输出路径 FileInputFormat.setInputPaths(job, new Path(args[0])); FileOutputFormat.setOutputPath(job, new Path(args[1])); // 6 提交job boolean result = job.waitForCompletion(true); System.exit(result ? 0 : 1); } }