一:准备知识
InputFormat接口:主要用于描述数据的格式,有两个功能,一个是数据切分,另外一个是为Mapper提供输入数据
InputFormat其中一个实现基类是FileInputFormat,今天来学习一下FileInputFormat的实现,其中有两个核心算法,一个是文件切分算法,一个是主机选择算法
文件切分算法:用于确定InputSplit的个数以及每个Inputsplit对应的数据段
InputSplit的个数由一下三个属性共同决定
goalSize:根据用户期望的inputsplit数量决定,goalsize = totalsize / numSplit,totalsize是总文件大小,numsplit是用户设置的map task 个数,默认情况下为1.
minSize: inputsplit的最小值,有配置参数mapred.min.split.size确定,默认为1
blockSize:HDFS中block的大小,默认64M
splitSize = max{minSize,min{goalSize,blockSize}}
计算例子:minsize = 128MB,用户期望的numsplit为2,totalSize = 250MB,计算splitSize
首先计算goalSize = total/2 = 128MB
min{goalSize,blockSize} = 64MB
因此,
splitSize = max{minSize,min{goalSize,blockSize}} = 128M,故InputSplit的数量为2
三:host的确定
首先计算每个rack中含有InputSplit的大小(不要计算相同的数据),根据大小进行排序,在按照rack内部的node包含的数据量进行node排序,最后取前N个node作为host列表(N为副本数)
当使用基于FileInputFormat实现InputFormat时,为了提高Map Task的数据本地性,应尽量使inputSplit大小与block的大小相同