InputFormat 数据输入

    

 切片与MapTask并行度决定机制

切片与MapTask并行度决定机制MapTask的并行度决定Map阶段的任务处理并发度，进而影响到整个Job的处理速度

数据块：Block是HDFS物理上把数据分成一块一块。数据块是HDFS存储数据单位。
数据切片：数据切片只是在逻辑上对输入进行分片，并不会在磁盘上将其切分成片进行存储。数据切片是MapReduce程序计算输入数据的单位，一个切片会对应启动一个MapTask。

 

（1) 一个Job的Map阶段并行度由客户端在提交Job的切片数决定

（2）每一个split切片分配一个MapTask并行实例处理

（3）默认情况下，切片大小=BlockSize，可以避免跨节点读取数据

  (4) 切片时不考虑数据整体，而是针对每一个文件单独切片

 部分源码：

waitForCompletion()

submit();

// 1建立连接
	connect();	
		// 1）创建提交Job的代理
		new Cluster(getConfiguration());
			// （1）判断是本地运行环境还是yarn集群运行环境
			initialize(jobTrackAddr, conf); 

// 2 提交job
submitter.submitJobInternal(Job.this, cluster)

	// 1）创建给集群提交数据的Stag路径
	Path jobStagingArea = JobSubmissionFiles.getStagingDir(cluster, conf);

	// 2）获取jobid ，并创建Job路径
	JobID jobId = submitClient.getNewJobID();

	// 3）拷贝jar包到集群
copyAndConfigureFiles(job, submitJobDir);	
	rUploader.uploadFiles(job, jobSubmitDir);

	// 4）计算切片，生成切片规划文件
writeSplits(job, submitJobDir);
		maps = writeNewSplits(job, jobSubmitDir);
		input.getSplits(job);

	// 5）向Stag路径写XML配置文件
writeConf(conf, submitJobFile);
	conf.writeXml(out);

	// 6）提交Job,返回提交状态
status = submitClient.submitJob(jobId, submitJobDir.toString(), job.getCredentials());

 FileInputtFormat切片源码解析（input.getSplits(job))

    (1) 程序先找到数据存储的目录

   (2) 开始遍历处理（规划切片）目录下的每一个文件

 （3） 遍历第一个文件 ss.txt

    a 计算文件大小

    b 计算切片大小

   c  默认情况下，切片大小=blocksize

   d  开始切，形成第一个切片：ss.txt-0:128M 第二个切片  ss.txt--128M-256M 第三个切片 ss.txt--256M:300M

  e  将切片信息写入切片规划中

  f  整个切片的核心过程在getSplits()中完成

  g InputSplit只记录了切片的元数据信息，比如起始位置、长度以及所在的节点列表

（4） 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MapTask个数

FileInputFormat切片机制

1 切片机制

（1) 简单地按照文件地内容长度进行切片

 （2）切片大小，默认等于Block 大小

（3） 切片时不考虑数据集整体，而是逐个针对每一个文件单独切片

（4）源码中计算切片大小的公式

  Math.max(minSize,Math.min(maxSize,blockSize))

 mapreduce.input.fileinputformat.split.minsize=1 默认值1 

  mapreduce.input.fileinputformat.maxsize=LongMAXValue 默认值 LongMAXVaue

因此，默认情况下，切片大小=blocksize

2 切片大小设置

maxsize（切片最大值）:参数如果调的比blocksize小，则会让切片变小，而且就等于配置的这个参数值

minsize(切片最小值）：参数调的比blockSize大，则可以让blockSize，则可以让切片变得比blockSizew大

3  获取切片信息的API 

//获取切片的文件名称

String name =inputSplit.getPath().getName();

//根据文件类型获取切片信息

FileSplit inputSplit =(FileSplit) context.getInputSplit();

 TextInputFormat

 FileInputFormat常见的接口实现类包括：TextInputFormat、KeyValueTextInputFormat、       NLineInputFormat、CombineTextInputFormat和自定义InputFormat等。

TextInputFormat是默认的FileInputFormat实现类。按行读取每条记录。键是存储该行在整个文件中的起始字节偏移量， LongWritable类型。值是这行的内容，不包括任何行终止符（换行符和回车符），Text类型。

以下是一个示例，比如，一个分片包含了如下4条文本记录。
Rich learning form
Intelligent learning engine
Learning more convenient
From the real demand for more close to the enterprise
每条记录表示为以下键/值对：
(0,Rich learning form)
(20,Intelligent learning engine)
(49,Learning more convenient)
(74,From the real demand for more close to the enterprise)

CombineTextInputFormat

框架默认的TextInputFormat切片机制是对任务按文件规划切片，不管文件多小，都会是一个单独的切片，都会交给一个MapTask，这样如果有大量小文件，就会产生大量的MapTask，处理效率极其低下。

1应用场景：
CombineTextInputFormat用于小文件过多的场景，它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处理。

2 虚拟存储切片最大值设置
CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);// 4m

3 切片机制
生成切片过程包括：虚拟存储过程和切片过程二部分

（1）虚拟存储过程： 

将输入目录下所有文件大小，依次和设置的setMaxInputSplitSize值比较，如果不大于设置的最大值，逻辑上划分一个块。如果输入文件大于设置的最大值且大于两倍，那么以最大值切割一块；当剩余数据大小超过设置的最大值且不大于最大值2倍，此时将文件均分成2个虚拟存储块（防止出现太小切片）。
例如setMaxInputSplitSize值为4M，输入文件大小为8.02M，则先逻辑上分成一个4M。剩余的大小为4.02M，如果按照4M逻辑划分，就会出现0.02M的小的虚拟存储文件，所以将剩余的4.02M文件切分成（2.01M和2.01M）两个文件。

（2）切片过程：
（a）判断虚拟存储的文件大小是否大于setMaxInputSplitSize值，大于等于则单独形成一个切片。
（b）如果不大于则跟下一个虚拟存储文件进行合并，共同形成一个切片。
（c）测试举例：有4个小文件大小分别为1.7M、5.1M、3.4M以及6.8M这四个小文件，则虚拟存储之后形成6个文件块，大小分别为：
1.7M，（2.55M、2.5）5M），3.4M以及（3.4M、3.4M）
最终会形成3个切片，大小分别为：
（1.7+2.55）M，（2.55+3.4）M，（3.4+3.4）M

CombineTextInputFormat案例实操

1需求

将输入的大量小文件合并成一个切片统一处理。

输入数据

准备4个小文件

期望

期望一个切片处理4个文件

2实现过程

（1）不做任何处理，运行1.8节的WordCount案例程序，观察切片个数为4。
number of splits:4

（2）在WordcountDriver中增加如下代码，运行程序，并观察运行的切片个数为3。

       （a）驱动类中添加代码如下：

/ /如果不设置InputFormat，它默认用的是TextInputFormat.class
job.setInputFormatClass(CombineTextInputFormat.class);

//虚拟存储切片最大值设置4m
CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);

     （b）运行如果为3个切片。
         number of splits:3

（3）在WordcountDriver中增加如下代码，运行程序，并观察运行的切片个数为1。
        （a）驱动中添加代码如下：

     // 如果不设置InputFormat，它默认用的是TextInputFormat.class
      job.setInputFormatClass(CombineTextInputFormat.class);

    //虚拟存储切片最大值设置20m
    CombineTextInputFormat.setMaxInputSplitSize(job, 20971520);

      （b）运行如果为1个切片
         number of splits:1