1、split 初探
InputFormat接口的getSplits方法会将文件划分切割成为若干个可序列化的split
java.lang.Object
org.apache.hadoop.mapreduce.InputFormat<K,V>
abstract List<InputSplit> getSplits(JobContext context)
①. split大小的计算公式
minSize=max{minSplitSize,mapred.min.split.size} (minSplitSize大小默认为1B)
maxSize=mapred.max.split.size(不在配置文件中指定时大小为Long.MAX_VALUE)
splitSize=max{minSize,min{maxSize,blockSize}}(注意,blockSize为文件在hdfs中的块大小,比如我们先配置的
dfs.block.size的值为67108864,也即64MB,然后向分布式文件系统中存入一个1GB大小的文件A,该文件在hdfs中的块大小为64MB;当我们更改dfs.block.size的值为33554432,即32MB是,此时A文件在分布式文件系统中的blockSize仍为64M,切记啊,这个就曾迷糊俺好长时间.....)mapred.min.split.size、mapred.max.split.size、blockSize均可以再配置文件中配置,前面两个在mapred-site.xml
中,最后一个可在在hdfs-site.xml中进行配置,单位均为B。
②.map数是这样计算方式
文件大小/splitSize>1.1,创建一个split0,文件剩余大小=文件大小-splitSize.....
剩余文件大小/splitSize<=1.1 将剩余的部分作为一个split
每一个分片对应一个map任务,这样map任务的数目也就显而易见啦。
2、split后文件的完整性
InputSplit是MapReduce对文件进行处理和运算的输入单位,只是一个逻辑概念,并不会真实切割源文件,每个InputSplit并
没有对文件实际的切割,只是记录了要处理的数据的位置(包括文件的path和hosts)和长度(由start和length决定)。因此,以行记录形式的文本,还真可能存在一行记录被划分到不同的Block,甚至不同的DataNode上去。通过分析FileInputFormat里面的getSplits方法,可以得出,某一行记录同样也可能被划分到不同的InputSplit。
个block,这样切割后 处理该帧就会失败,需要另辟蹊径。同理,我最近在做用hadoop做媒体的开发,一个媒体文件被切割后,如视频文件被切割后,一个视频的某个帧就可以跨越多
参考: