hadoop之mr

1.mr之CombineTextInputFormat

• 处理一个文件夹下的四个小文件,未使用CombineTextInputFormat.class

       //默认走的是TextInputFormat
        //job.setInputFormatClass(CombineTextInputFormat.class);

        //6.设置输入输出路径
        FileInputFormat.setInputPaths(job, new Path(input));
        FileOutputFormat.setOutputPath(job, new Path(output));

输出:

INFO FileInputFormat: Total input paths to process : 4
INFO JobSubmitter: number of splits:4

• 使用CombineTextInputFormat.class

        //默认走的是TextInputFormat
        job.setInputFormatClass(CombineTextInputFormat.class);

        //6.设置输入输出路径
        FileInputFormat.setInputPaths(job, new Path(input));
        FileOutputFormat.setOutputPath(job, new Path(output));

输出:

INFO FileInputFormat: Total input paths to process : 4
INFO CombineFileInputFormat: DEBUG: Terminated node allocation with : CompletedNodes: 1, size left: 57
INFO JobSubmitter: number of splits:1
INFO JobSubmitter: Submitting tokens for job: job_local656404029_0001

2.split size

• 将block设置成4兆

有三个split

• 第一阶段

1.4 <4 1.4
4.2 >4 <42 2.1 2.1
2.8 <4 2.8
5.7 >4 <42 2.85 2.85

• CombineTextInputFormat只能合文本

2.按行分片NLineInputFormat

• 业务场景:
  一般: 100列 100行 5G
  特殊: 2列 ？ 5G

eg:10w行数据
未设置NLineInputFormat.1个split

       job.setInputFormatClass(NLineInputFormat.class);
        NLineInputFormat.setNumLinesPerSplit(30000);

设置NLineInputFormat后,3个splits

4.split大小与block的关系：

（1）block块的小于split分片的最小值，那split的值就是split分片的大小

（2）block块的小大介于split分片配置的最小值和最大值之间，block的大小就是split的大小。

（3）block块的大小大于split分片的最大值，split的大小就是split配置的最大值。但会增加map执行的并发度，但是会造成在节点之间拉取数据

也有公式可以计算split也就是map任务数，这里就不做讨论了。

• 一个map对应一个split分片吗？
  经过上面的讨论，答案是显而易见的：
  map个数：由任务切片spilt决定的，默认情况下一个split的大小就是block
  由参与任务的文件个数决定的

5.reduce数量大于分区数

• 后面的part文件是空的—小文件越多
  

• reduce数量不可以小于分区数

• reduce数量可以等于1,全写入一个文件

• reduce增加,并行度增加,速度会快.但是,jvm开销会大,小文件也增加.离线处理对速度要求不太高.