本文共 6046 字,大约阅读时间需要 20 分钟。
TextInputFormat的源码注释为:
查看InputFormat接口的源码注释我们了解到这个接口的作用为:
在InputFormat的源代码中有如下两个方法:
//获取切片(一个切片就是一个Mapper任务)数组InputSplit[] getSplits(JobConf job, int numSplits) throws IOException;//获取RecordReaderRecordReadergetRecordReader(InputSplit split, JobConf job, Reporter reporter) throws IOException;
追踪FileInputFormat接口,切片方法如下:
/** Splits files returned by {@link #listStatus(JobConf)} when they're too big.*/ public InputSplit[] getSplits(JobConf job, int numSplits) throws IOException { //开启线程 Stopwatch sw = new Stopwatch().start(); //获取文件状态 FileStatus[] files = listStatus(job); // 为了度量所有文件总长度,需要设置文件输入数和每个文件长度(job传的可能是一个目录,目录下有很多文件) job.setLong(NUM_INPUT_FILES, files.length); long totalSize = 0; // 计算文件总大小 for (FileStatus file: files) { if (file.isDirectory()) { // 检查有效文件 throw new IOException("Not a file: "+ file.getPath()); } totalSize += file.getLen(); }//默认切片是block大小(128M)如果自己定义了切片的大小就按照设置参数来,所有文件大小/切片数-->就可以求得目标切片大小 long goalSize = totalSize / (numSplits == 0 ? 1 : numSplits); //最小的切片大小只要不动配置文件参数默认是1,如果按设置了就按设置参数来 long minSize = Math.max(job.getLong(org.apache.hadoop.mapreduce.lib.input.FileInputFormat.SPLIT_MINSIZE, 1), minSplitSize); // 生成切片步骤 //准备一个文件切片的集合-->需要去看看文件切片的机制 ArrayListsplits = new ArrayList (numSplits); NetworkTopology clusterMap = new NetworkTopology();//网络拓扑,这个先不管 for (FileStatus file: files) { //文件路径(namenode会存储这些信息) Path path = file.getPath(); //文件长度(namenode会存储这些信息) long length = file.getLen(); if (length != 0) { FileSystem fs = path.getFileSystem(job); //获取文件的block块(只会获取一次完整文件的块(找到一个活的块就不会找他的备份)) BlockLocation[] blkLocations; if (file instanceof LocatedFileStatus) { blkLocations = ((LocatedFileStatus) file).getBlockLocations(); } else { blkLocations = fs.getFileBlockLocations(file, 0, length); } if (isSplitable(fs, path)) { //获取block块大小(默认128M) long blockSize = file.getBlockSize(); //计算切片大小:在(目标大小,最小大小(设置的参数),block块大小)中取中值的操作 long splitSize = computeSplitSize(goalSize, minSize, blockSize); long bytesRemaining = length; //SPLIT_SLOP指的是切片的溢出系数为1.1 //(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)。 while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) { String[][] splitHosts = getSplitHostsAndCachedHosts(blkLocations, length-bytesRemaining, splitSize, clusterMap); //记录了路径,切片偏移量,切片大小等,加入文件切片的集合中 splits.add(makeSplit(path, length-bytesRemaining, splitSize, splitHosts[0], splitHosts[1])); //切完一次剩余的切片大小 bytesRemaining -= splitSize; } if (bytesRemaining != 0) { String[][] splitHosts = getSplitHostsAndCachedHosts(blkLocations, length - bytesRemaining, bytesRemaining, clusterMap); splits.add(makeSplit(path, length - bytesRemaining, bytesRemaining, splitHosts[0], splitHosts[1])); } } else { String[][] splitHosts = getSplitHostsAndCachedHosts(blkLocations,0,length,clusterMap); splits.add(makeSplit(path, 0, length, splitHosts[0], splitHosts[1])); } } else { //Create empty hosts array for zero length files splits.add(makeSplit(path, 0, length, new String[0])); } } sw.stop(); if (LOG.isDebugEnabled()) { LOG.debug("Total # of splits generated by getSplits: " + splits.size() + ", TimeTaken: " + sw.elapsedMillis()); } //将集合转为数组 return splits.toArray(new FileSplit[splits.size()]); }
追踪RecordReader接口,发现其功能为:
追踪InputSplit抽象类,查看注释发现其功能为:
因此我们知道这里切片只是一个逻辑划分,记录了一些切片信息
数据切片只是在逻辑上对输入数据进行分片,并不会在磁盘上将其切分成分片进行存储。 InputSplit 只记录了分片的元数据信息,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 map task 个数 在map task的read阶段接受输入分片,根据RecordReader按照InputSplit 记录 的位置信息读取数据,会将一个分片处理成一行一行的数据即一个键值对键为行偏移量,值为文本数据'shuffle是MapReduce处理流程中的一个过程,他的每一个处理步骤是分散在各个map任务和reduce任务上完成的.整体看,有三个操作'1)分区2)Sort根据key排序3)Combiner进行局部合并
注意:
reduce task 的数量的决定是可以直接手动设置的并不一定和map task 数量相等,默认是1 如果分区数不是 1,但是 reducetask 为 1,是不执行分区操作的(执行分区之前会进行判断)转载地址:http://fcjxi.baihongyu.com/