【hadoop学习记录】MapReduce小文件优化

默认情况下TextInputformat对任务的切片机制是按文件规划切片，不管文件多小，都会是一个单独的切片，都会交给一个maptask，这样如果有大量小文件，就会产生大量的maptask，处理效率极其低下。

优化策略
（1）最好的办法，在数据处理系统的最前端（预处理/采集），将小文件先合并成大文件，再上传到HDFS做后续分析。
（2）补救措施：如果已经是大量小文件在HDFS中了，可以使用另一种InputFormat来做切片（CombineTextInputFormat），它的切片逻辑跟TextFileInputFormat不同：它可以将多个小文件从逻辑上规划到一个切片中，这样，多个小文件就可以交给一个maptask。
（3）优先满足最小切片大小，不超过最大切片大小

下面的代码MapReduce在运行的时候切片最大为3M，最小为2M
比如7.58M的文件运行下面的代码就是两个切片，3+4.58，因1058不满足最小值为2的条件，就会被归纳到上一个切片运行

//将多个小文件划分给一个maptask运行---优化策略
        //crtl+h  查看父类和子类
        job.setInputFormatClass(CombineTextInputFormat.class);
        CombineTextInputFormat.setMaxInputSplitSize(job,3*1024*1024);//上限3M
        CombineTextInputFormat.setMinInputSplitSize(job,2*1024*1024);//下线2M

在看number of splits时，和最大值(MaxSplitSize)有关、总体规律就是和低于最大值是一片、高于最大值1.5倍+，则为两片；高于最大值2倍以上则向下取整。