初学耗时:0.5h
注:CSDN手机端暂不支持章节内链跳转,但外链可用,更好体验还请上电脑端。
一、MapTask并行度机制
1.1 MapTask并行度机制概述。
1.2 FileInputFormat 切片机制。
记忆词:
MapTask并行度机制
一、MapTask并行度机制
1.1 ~ MapTask并行度机制概述。
- MapTask 的并行度指的是 map 阶段有多少个并行的 task 共同处理任务。
- map阶段的任务处理并行度,势必影响到整个 job 的处理速度。
- 那么,MapTask 并行实例是否越多越好呢?其并行度又是如何决定呢?
- 一个 MapReducejob 的 map 阶段并行度由客户端在提交 job 时决定,即客户端提交 job 之前会对待处理数据进行逻辑切片。
- 切片完成会形成切片规划文件(job.split),每个逻辑切片最终对应启动一个 maptask。
- 逻辑切片机制由 FileInputFormat 实现类的 getSplits()方法完成。
1.2 ~ FileInputFormat 切片机制。
1.2.1 . FileInputFormat 中默认的切片机制。
A. 简单地按照文件的内容长度进行切片。
B. 切片大小,默认等于 block 大小。
C. 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。
1.2.2 . 比如待处理数据有两个文件。
file1.txt 320M
file2.txt 10M
1.2.3 . 经过 FileInputFormat 的切片机制运算后,形成的切片信息。
file1.txt.split1—0M~128M
file1.txt.split2—128M~256M
file1.txt.split3—256M~320M
file2.txt.split1—0M~10M
1.2.4 . FileInputFormat 中切片的大小的参数配置。
-
在 FileInputFormat 中,计算切片大小的逻辑:
Math.max(minSize, Math.min(maxSize, blockSize)); -
切片主要由这几个值来运算决定:
minsize:默认值:1
配置参数: mapreduce.input.fileinputformat.split.minsize
maxsize:默认值:Long.MAXValue
配置参数:mapreduce.input.fileinputformat.split.maxsize
blocksize -
因此,默认情况下,split size=block size,在 hadoop 2.x 中为 128M。
-
maxsize(切片最大值):参数如果调得比 blocksize 小,则会让切片变小,而且就等于配置的这个参数的。
-
minsize (切片最小值):参数调的比 blockSize 大,则可以让切片变得比blocksize 还大。
-
但是,不论怎么调参数,都不能让多个小文件“划入”一个 split。
-
还有个细节就是:
当 bytesRemaining/splitSize > 1.1 不满足的话,那么最后所有剩余的会作为一个切片。从而不会形成例如 129M 文件规划成两个切片的局面。
- - - - - - - - - - - - - - - - - - - - - - - - - - - -
^ 至此,MapTask并行度机制完成。
- - - - - - - - - - - - - - - - - - - - - - - - - - - -
※ 世间诱惑何其多,坚定始终不动摇。
视图是一种虚表,它是从________导出的表。
…
基本表
- - - - - - - - - - - - - - - - - - - - - - - - - - - -
注:CSDN手机端暂不支持章节内链跳转,但外链可用,更好体验还请上电脑端。
我知道我的不足,我也知道你的挑剔,但我就是我,不一样的烟火,谢谢你的指指点点,造就了我的点点滴滴:)!