CombineTextInputFormat切片机制优化大量小文件

 

1. 默认情况下TextInputformat对任务的切片机制是按文件规划切片,不管文件多小,都会有一个单独的切片,都会交给一个maptask,如果有大量的小文件,就会产生大量的maptask,处理效率及其低下
2. 优化策略

 

(1) 最好的办法,在数据处理系统的最前端(预处理/采集),将小文件先合并成大文件,再上传到HDFS后续分析

 

(2)补救措施:如果已经是大量小文件在HDFS中了,可以使用另一种InputFormat来做切片(CombineTextInputFormat),切片逻辑和TextFileInputFormat不同,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

 

(3)优先满足最小切片大小,不超过最大切片大小

 

CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);// 4m
CombineTextInputFormat.setMinInputSplitSize(job, 2097152);// 2m

 

 

四个文件
举例:0.5m+1m+0.3m+5m=2m + 4.8m=2m + 4m + 0.8m

 

具体实现步骤:

 

如果不设置InputFormat,它默认用的是TextInputFormat.class

 

job.setInputFormatClass(CombineTextInputFormat.class)
CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);// 4m
CombineTextInputFormat.setMinInputSplitSize(job, 2097152);// 2m

 

 

添加代码实现

 

默认运行的wordcount是切片数是3

 

修改后切片数为1