MapReduce - Map输入的分片

2019独角兽企业重金招聘Python工程师标准>>>

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。

转载于:https://my.oschina.net/infiniteSpace/blog/346101