前言:
在MapReduce中Map的数量与InputSplit数量相等,想要改变一个job的Map任务数要从InputSplit的数目和大小出发,而InputSplit是由InputFormat生成的,两者的关系如下图:
InputSplit
- InputSplit包含一个以字节为单位的长度和一组存储位置(一组主机名)。
- 一个InputSplit由一个Map任务来处理。
- InputSplit并不包含数据本身,而是指向数据的引用。
- InputSplit是由记录(record,key-value pair)组成。
MapReuce应用开发人员不必直接处理InputSplit,因为它是由InputFormat创建的,InputFormat负责创建输入分片并将它们分割成记录
InputFormat
InputFormat类负责将存储在HDFS上的不同格式的输入文件调用getSplits()
分割成InputSplit,并且提供了用于Map()函数读取记录的createRecordReader()
方法;
-
InputFormat的类型
-
FileInputFormat
如何设置分片大小?
影响分片大小的属性有:
mapreduce.input.fileinputformat.split.minsize
mapreduce.input.fileinputformat.split.maxsize
dfs.blocksize
分片大小的计算公式为:
max(minimumSize, min(maximumSize, blockSize))
在默认情况下:
minimumSize < blockSize < maximumSize
,因此默认情况下分片大小就是文件块大小
更多内容可关注本人博客:老香椿(https://laoxiangchun.cn/)