回顾:
在一个电话面试之中,对方提到了:Map阶段的分片处理。由于在沟通之中有些许紧张,在对方问及:Map分片的算法过程能否简单的描述?这个问题,由于对方选取了 Map算法的用词,一时间思路被诱导了,想到的只有shuffle,以及hash分区,和boolean过滤器等。
而事实上,一个 输入的分片,在MapReduce之中被称为”split“就是单个Map处理的块,每一个Map的操作都只是处理一个输入分片。每个分片被划分为若干个记录,并且,每条记录就是一个键值对。Map一个一个的来处理这些数据。事实上,如果单纯在是否数据一条条来被处理意外,这和Storm是没有多大的区别的。而这里的Split 也就是通常数据处理之中的segment, 一个输入的分片可以对应于同一个表上的若干行。 而一条数据对于与一行。
输入分片被包装称为了一个java 的interface
public interface InputSplit extends Writable
{
long getLength() throws IOException;
String[] getLocation() throws IOException
}
通常你也不需要自己来处理这个分片 ,分片是由于 InputFormat来创建的,InputFormat负责产生输入的分片并将他们分割为记录。
另外一个关键的地方是 RecordReader。 RecorderReader 也就是我们所说的记录迭代器。Map任务会用一个记录的迭代器来生产键值队。
而 InputFormat 才是我们真正的的使用类。
Java 代码如下:
public interface IntputFormat<k,v>
{
InputSplit[] getSplit(JobConf,int numSplits) throws IOException;
RecordReader<k,v> getRecordReader(InputSplit split,JobConf conf,Reporter reporter)
throws IOExcetion
}
第一个方法,你可以指定NumSplits,当然很多时候指定是无效的。
第二个方法,你一句getRecordReader来拿到RecordReader;
面试的感触:很多时候,技术驱动的公司往往没有产品的思维。更不用说是市场化的逻辑了。
一个即将被淘汰的组件,却成了面试的重点。