MapReduce编程——输入类FileInputFormat（切片）及其4个实现类（kv）的用法

一个完整的MapReduce程序包括四个阶段：Map Task阶段、Shuffle阶段、Reduce Task阶段

InputFormat是一个抽象类，用于获取Input输入数据，并将其切分和打成<k,v>键值对；这个类中有两个抽象方法，源码如下：

public abstract class InputFormat<K, V> {
    public InputFormat() {
    }

    public abstract List<InputSplit> getSplits(JobContext var1) throws IOException, InterruptedException;

    public abstract RecordReader<K, V> createRecordReader(InputSplit var1, TaskAttemptContext var2) throws IOException, InterruptedException;
}

（1）getSplits：负责将HDFS数据解析成InputSplit，也就是对原始数据进行切片，按照设定的切片大小进行逻辑切片；InputSplit只记录了切片的元数据信息，例如偏移量的起止位置、长度和所在节点列表等。

（2）createRecordReader：获取每个InputSplit，并且将其中的每一行解析成<k,v>键值对。

---

目录

一、FileInputFormat（getSplits，文件切片,Yarn读取InputSplit规划文件，计算出MapTask个数）

二、FileInputFormat的实现类概述

2.1  TextInputFormat（逐行读取）（createRecordReader，将每个切片文件中每一行打成<k,v>）

2.2  CombineTextInputFormat（小文件合并）

2.3  KeyValueTextInputFormat（分隔符）

2.4  NLineInputFormat（按行数N划分InputSplit和MapTask个数）

 

---

一、FileInputFormat

然后本篇博客的主角，FileInputFormat登场，作为InputFormat的子类，FileInputFormat实现了getSplits方法，用于对源文件进行逻辑切片。

public List<InputSplit> getSplits(JobContext job) throws IOException {

FileInputFormat的getSplits方法主要完成的功能如下：

（1）程序先找到数据存储的目录。

（2）开始遍历处理目录下的每一个文件。

（3）遍历第一个文件first.txt。

         a. 获取文件大小fs.sizeOf(first.txt)；

         b. 计算切片大小；

             computeSplitSize（Math.max（minSize，Math.min（maxSize，blocksize）））= blockSize = 128M

         c. 默认情况下，切片大小=blockSize；

         d. 开始切片，形成第1个切片：first.txt—0:128M，第2个切片：first.txt—128:256M，第3个切片：first.txt—256:300M；

            （ps：每次切片之前会判断切完剩下部分是否大于blockSize的1.1倍，不大于1.1倍就划分为一块切片）

         e. 将切片元数据信息（包含切片的起始位置、长度和所在节点列表等）写到一个规划文件InputSplit中；

         f. 将每个逻辑切片文件的规划文件InputSplit，放入List<InputSplit>中返回；

        g. 整个切片过程在getSplit( )方法中完成；

（4）提交切片规划文件到Yarn上，Yarn上的MrAppMaster就可以根据切片规划文件InputSplit，计算需要开启MapTask的个数（一个InputSplit规划文件，对应启动一个MapTask）。

 

二、FileInputFormat的实现类概述

在上面，Yarn中已经计算出启动多少个MapTask；每一个MapTask运行对应的一部分切片文件，下面开始MR程序，首先是Mapper阶段，将切片文件数据解析成<k,v>。

MR程序中包含的方法，链接，待续

在运行MR程序时，输入的文件格式包括：基于行的日志文件、二进制格式文件、数据库表等；

针对不同的输入数据类型，MR的FileInputFormat也提供了常用的几个实现类，包括：

TextInputFormat、KeyValueTextInputFormat、NLineInputFormat、CombineTextInputFormat和自定义的InputFormat等。

在MapReduce编程中，一个MR程序就是一个job，在job运行时，在代码中需要指定是采用的哪个实现类来解析HDFS输入原始数据文件，默认使用TextInputFormat。

job.setInputFormatClass(TextInputFormat.class);

2.1  TextInputFormat（逐行读取）

TextInputFormat继承了父类的createRecordReader方法，对切片文件数据解析成<k,v>键值对。

 public RecordReader<LongWritable, Text> createRecordReader(InputSplit split, TaskAttemptContext context) {

TextInputFormat是默认的FileInputFormat实现类。

按行读取每条记录，

key是存储当前行在整个文件中的起始字节偏移量，LongWritable类型；

Value是当前行的内容，不包括任何终止符（换行符和回车符），Text类型。

例如：

初始切片文件：
Rich learning form
Intelligent learning engine
Learning more
From the real demand

键值对：
（0，Rich learning form）
（19，Intelligent learning engine）
（47，Learning more）
（72，From the real demand）

然后将<k,v>作为Map Task任务中Mapper的输入参数，框架每获取一个<k,v>就会调用一次map任务进行计算。

2.2  CombineTextInputFormat（小文件合并）

框架默认的TextInputFormat切片机制是对任务按照文件规划InputSplit切片，不管文件多小，都是一个单独的切片，交给一个MapTask；

这样如果有大量小文件，就会产生大量的MapTask，处理效率及其低下。

CombineTextInputFormat就是用于这种小文件过多的场景，它可以将多个小文件从逻辑上规划到一个切片中，这样多个小文件交给一个MapTask处理。

虚拟存储切片最大值设置

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

生成切片过程包括两部分：虚拟存储过程和切片过程

A. 虚拟存储过程

将输入目录下所有文件大小，依次和设置的setMaxInputSplitSize值进行比较：

（1）如果<=设置的最大值4M，逻辑上划分一个块

（2）如果输入文件>设置的最大值4M，且>最大值两倍8M，那么先把4M作为一个块，剩余部分平均分成两块

（3）如果输入文件>设置的最大值4M，且<=最大值两倍8M，此时将文件平均分成2个虚拟存储块（防止出现太小切片）

eg：setMaxInputSplitSize值为4M，输入文件大小为8.02M，则先逻辑上分成一个4M。剩余的大小为4.02M文件平均切分成2.01M和2.01M两个文件块。

B. 切片过程

对于上一过程中切分出来的各个小文件，进行合并

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

（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

eg：4个小文件大小分别是1.7M、5.1M、3.4M以及6.8M

       首先在虚拟存储过程中生成6个文件块：1.7M，（2.55M、2.55M），3.4M以及（3.4M、3.4M）

       然后在切片过程中形成3个切片，大小分别为：（1.7+2.55）M，（2.55+3.4）M，（3.4+3.4）M

2.3  KeyValueTextInputFormat（分隔符）

每一行都是一条记录，被分隔符分隔成key-value；

可以通过驱动类中设置conf.set（KeyValueLineRecordReader.KEY_VALUE_SEPERATOR，"\t"）来设置每行的分隔符，

默认分隔符是\t，若文件中每行没有制表符，则全部为key，value为空。

键值对中key就是每行分隔符前的Text序列。

例如：

初始切片文件：
line1——>Rich learning form
line2——>Intelligent learning engine
line three——>Learning more
line four——>From the real demand

键值对：
（line1，Rich learning form）
（line2，Intelligent learning engine）
（line three，Learning more）
（line four，From the real demand）

2.4  NLineInputFormat（按行数N划分InputSplit和MapTask个数）

如果使用NLineInputFormat，代表每个map进程处理的InputSplit不再按Block块去划分，而是按照NLineInputFormat指定的行数N来划分。

即输入文件的总行数/N=切片数，如果不能整除，则切片数=输入文件的总行数/N + 1

例如，一共5行，N为2，则开启3个MapTask：

初始切片文件：
Rich learning form
Intelligent learning engine
Learning more
From the real demand
The Last

键值对：
第一个MapTask收到两行：
（0，Rich learning form）
（19，Intelligent learning engine）

第二个MapTask收到两行：
（47，Learning more）
（72，From the real demand）

第三个MapTask收到最后一行
（104，The Last）