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。

解决：CombineFileInputFormat

参考《Hadoop权威指南》
初接触，记下学习笔记，还有很多问题，望指导，谢谢。