CombineTextInputFormat小文件处理场景

存在的问题

HDFS设计是用来存储海量数据的，特别适合存储TB、PB量级别的数据。但是随着时间的推移，HDFS上可能会存在大量的小文件，这里说的小文件指的是文件大小远远小于一个HDFS块(128MB)的大小；HDFS上存在大量的小文件至少会产生以下影响：

消耗NameNode大量的内存

延长MapReduce作业的总运行时间

因为MapReduce框架默认的 TextInputFormat 切片机制是对任务按文件规划切片，如果有大量小文件，就会产生大量的 MapTask，处理小文件效率非常低。

解决方案

Hadoop内置提供了一个CombineTextInputFormat类来专门处理小文件，其核心思想是：根据一定的规则，将HDFS上多个小文件合并到一个 InputSplit中，然后会启用一个Map来处理这里面的文件，以此减少MR整体作业的运行时间。

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

切片机制过程

CombineTextInputForma切片机制过包括：虚拟存储过程和切片过程二部分

假设 setMaxInputSplitSize 值为 4M，有如下四个文件

a.txt 1.7M

b.txt 5.1M

c.txt 3.4M

d.txt 6.8M

(1)虚拟存储过程

(1.1)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。

(1.2)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)。

1.7M < 4M 划分一块

5.1M > 4M 但是小于 2*4M 划分二块：块1=2.55M，块2=2.55M

3.4M < 4M 划分一块

6.8M > 4M 但是小于 2*4M 划分二块：块1=3.4M，块2=3.4M

最终存储的文件：

1.7M

2.55M，2.55M

3.4M

3.4M，3.4M

(2)切片过程

(2.1)判断虚拟存储的文件大小是否大于 setMaxIputSplitSize 值，大于等于则单独形成一个切片。

(2.2)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。

最终会形成3个切片：

(1.7+2.55)M，(2.55+3.4)M，(3.4+3.4)M

代码举例：

main方法中：

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

2

1

        job.setInputFormatClass(CombineTextInputFormat.class);

2

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

总结：

CombineTextInputFormat 小文件处理场景

• 默认读取数据机制的弊端

• 默认TextInputFormat 逐个遍历文件 意味着不管文件多大 至少自己本身都是一个切片 如果小文件过多 势必会形成很多个切片 就会启动多个maptask 浪费资源。

• CombineTextInputFormat
• • 设置一个切片的最大值 

  • CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);// 4m

  • 首先，虚拟存储过程

  • 遍历每一个小文件 跟设置值进行比较 如果小于 自己本身就是一个 如果大于 不超过2倍 就把该文件平均 如果大于 超过2倍 就按照最大值切

• • 然后，切片规划的过程

  • 上一步虚拟存储的结果 逐个判断 如果不超过设置的值 就和后面的合并 合并之后如果依然没超过，继续合并 直到超过设置最大值。形成切片。

  • 针对小文件 ，最佳的处理方式 还是上传hdfs之前进行合并，目标--->block size