MapReduce 之 InputFormat数据输入

1.Job提交流程和切片源码详解

(1) job提交流程源码详解

waitForCompletion()

submit();

// 1 建立连接

       connect();  

              // 1 ）创建提交 job 的代理

              new Cluster(getConfiguration());

                     // （ 1 ）判断是本地 yarn 还是远程

                     initialize(jobTrackAddr, conf);

       // 2 提交 job

submitter.submitJobInternal(Job. this , cluster)

       // 1 ）创建给集群提交数据的 Stag 路径

       Path jobStagingArea = JobSubmissionFiles. getStagingDir (cluster, conf );

       // 2 ）获取 jobid ，并创建 job 路径

       JobID jobId = submitClient.getNewJobID();

       // 3 ）拷贝 jar 包到集群

copyAndConfigureFiles(job, submitJobDir);   

       rUploader.uploadFiles(job, jobSubmitDir);

// 4 ）计算切片，生成切片规划文件

writeSplits(job, submitJobDir);

       maps = writeNewSplits(job, jobSubmitDir);

              input.getSplits(job);

// 5 ）向 Stag 路径写 xml 配置文件

writeConf(conf, submitJobFile);

       conf.writeXml(out);

// 6 ）提交 job, 返回提交状态

status = submitClient.submitJob(jobId, submitJobDir.toString(), job.getCredentials());

    流程图：

(2) FileInputFormat 源码解析

①  找到你数据存储的目录。

② 开始遍历处理（规划切片）目录下的每一个文件

③ 遍历第一个文件 ss.txt

    a ）获取文件大小 fs.sizeOf(ss.txt)

    b ）计算切片大小 computeSliteSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M

    c ）默认情况下，切片大小 =blocksize

    d ）开始切，形成第 1 个切片： ss.txt—0:128M 第 2 个切片 ss.txt—128:256M 第 3 个切片 ss.txt—256M:300M （ 每次切片时，都要判断切完剩下的部分是否大于块的 1.1 倍，不大于 1.1 倍就划分一块切片 ）

    e ）将切片信息写到一个切片规划文件中

    f ）整个切片的核心过程在 getSplit() 方法中完成

    g ）数据切片只是在逻辑上对输入数据进行分片，并不会再磁盘上将其切分成分片进行存储。 InputSplit 只记录了分片的元数据信息，比如起始位置、长度以及所在的节点列表等

h ）注意： block 是 HDFS 物理上存储的数据，切片是对数据逻辑上的划分

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计算开启 maptask 个数。

2. FileInputFormat切片机制

(1) FileInputFormat中默认的切片机制：

    ① 简单地按照文件的内容长度进行切片

    ② 切片大小，默认等于block大小

    ③ 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

    比如待处理数据有两个文件：

file1.txt    320M

file2.txt    10M

    经过FileInputFormat的切片机制运算后，形成的切片信息如下：  

file1.txt.split1--  0~128

file1.txt.split2--  128~256

file1.txt.split3--  256~320

file2.txt.split1--  0~10M

(2) FileInputFormat切片大小的参数配置

    通过分析源码，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

mapreduce.input.fileinputformat.split.minsize=1 默认值为1

mapreduce.input.fileinputformat.split.maxsize= Long.MAXValue 默认值Long.MAXValue

    因此，默认情况下，切片大小=blocksize。

    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值。

    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。

(3) 获取切片信息API

// 根据文件类型获取切片信息

FileSplit inputSplit = (FileSplit) context.getInputSplit();

// 获取切片的文件名称

String name = inputSplit.getPath().getName();

4.InputFormat接口实现类

    MapReduce任务的输入文件一般是存储在HDFS里面。输入的文件格式包括：基于行的日志文件、二进制格式文件等。这些文件一般会很大，达到数十GB，甚至更大。那么MapReduce是如何读取这些数据的呢？下面我们首先学习InputFormat接口。

    InputFormat常见的接口实现类包括： TextInputFormat、KeyValueTextInputFormat、NLineInputFormat、CombineTextInputFormat和自定义InputFormat等。

(1) TextInputFormat

    TextInputFormat是默认的InputFormat。每条记录是一行输入。键是LongWritable类型，存储该行在整个文件中的字节偏移量。值是这行的内容，不包括任何行终止符（换行符和回车符）。

    以下是一个示例，比如，一个分片包含了如下4条文本记录。

Rich learning form

Intelligent learning engine

Learning more convenient

From the real demand for more close to the enterprise

    每条记录表示为以下键/值对：

(0,Rich learning form)

(19,Intelligent learning engine)

(47,Learning more convenient)

(72,From the real demand for more close to the enterprise)

    很明显，键并不是行号。一般情况下，很难取得行号，因为文件按字节而不是按行切分为分片。

(2) KeyValueTextInputFormat

    每一行均为一条记录，被分隔符分割为key，value。可以通过在驱动类中设置conf.set(KeyValueLineRecordReader.KEY_VALUE_SEPERATOR, " ");来设定分隔符。默认分隔符是tab（\t）。

    以下是一个示例，输入是一个包含4条记录的分片。其中——>表示一个（水平方向的）制表符。

line1 ——>Rich learning form

line2 ——>Intelligent learning engine

line3 ——>Learning more convenient

line4 ——>From the real demand for more close to the enterprise

    每条记录表示为以下键/值对：

(line1,Rich learning form)

(line2,Intelligent learning engine)

(line3,Learning more convenient)

(line4,From the real demand for more close to the enterprise)

    此时的键是每行排在制表符之前的Text序列。

(3) NLineInputFormat

    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，如果不整除，切片数=商+1。

    以下是一个示例，仍然以上面的4行输入为例。

Rich learning form

Intelligent learning engine

Learning more convenient

From the real demand for more close to the enterprise

    例如，如果N是2，则每个输入分片包含两行。开启2个maptask。

(0,Rich learning form)

(19,Intelligent learning engine)

    另一个 mapper 则收到后两行：

(47,Learning more convenient)

(72,From the real demand for more close to the enterprise)

    这里的键和值与TextInputFormat生成的一样。

(4) CombineTextInputFormat切片机制

    关于大量小文件的优化策略

    ① 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。

    ②  优化策略

     a.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。

     b. 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。

     c. 优先满足最小切片大小，不超过最大切片大小

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

CombineTextInputFormat.setMinInputSplitSize(job, 2097152);// 2m

    举例：0.5m+1m+0.3m+5m=2m + 4.8m=2m + 4m + 0.8m

    ③  具体实现步骤

//  如果不设置InputFormat,它默认用的是TextInputFormat.class

job.setInputFormatClass(CombineTextInputFormat.class)

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

CombineTextInputFormat.setMinInputSplitSize(job, 2097152);// 2m

(5) 自定义InputFormat流程

    ① 自定义一个类继承FileInputFormat。

    ② 改写RecordReader，实现一次读取一个完整文件封装为KV。

    ③ 在输出时使用SequenceFileOutPutFormat输出合并文件。

5.自定义InputFormat案例实操

(1) 需求

    无论hdfs还是mapreduce，对于小文件都有损效率，实践中，又难免面临处理大量小文件的场景，此时，就需要有相应解决方案。将多个小文件合并成一个文件SequenceFile，SequenceFile里面存储着多个文件，存储的形式为文件路径+名称为key，文件内容为value。

(2)  输入数据

(3) 分析

小文件的优化无非以下几种方式：

    ① 在数据采集的时候，就将小文件或小批数据合成大文件再上传HDFS

    ② 在业务处理之前，在HDFS上使用mapreduce程序对小文件进行合并

    ③ 在mapreduce处理时，可采用CombineTextInputFormat提高效率

(4) 具体实现

本节采用自定义InputFormat的方式，处理输入小文件的问题。

    ① 自定义一个类继承FileInputFormat

    ② 改写RecordReader，实现一次读取一个完整文件封装为KV

    ③ 在输出时使用SequenceFileOutPutFormat输出合并文件

(5) 程序实现：

    ① 自定义InputFromat

public class WholeFileInputFormat extends FileInputFormat , Text>{

    @Override

    protected boolean isSplitable (JobContext context , Path filename) {

        //不让切片

        return false;

    }

    @Override

    public RecordReader , Text> createRecordReader (InputSplit split , TaskAttemptContext context) throws IOException , InterruptedException {

        WholeRecordReader recordReader =  new WholeRecordReader() ;

        recordReader.initialize(split , context) ;

        return recordReader ;

    }

}

    ② 自定义RecordReader

public class WholeRecordReader extends RecordReader , Text> {

    private boolean isProgressed = false;

    private Configuration configuration ;

    private Path path ;

    private FileSplit fileSplit ;

    //值

    Text value = new Text() ;

    @Override

    public void initialize (InputSplit split , TaskAttemptContext context) throws IOException , InterruptedException {

        //初始化配置信息

        configuration = context.getConfiguration() ;

        //初始化切片信息（文件路径）

        path = ((FileSplit) split).getPath() ;

        //初始化切片信息

        fileSplit = (FileSplit) split ;

    }

    @Override

    public boolean nextKeyValue () throws IOException , InterruptedException {

        //业务逻辑

        if (! isProgressed ) {

            //读数据

            FileSystem fs = FileSystem. get ( configuration ) ;

            //获取输入流

//            FSDataInputStream fis = fs.open(new Path(path.getName()));

            FSDataInputStream fis = fs.open( path ) ;

            //读数据

            byte [] buf = new byte [( int ) fileSplit .getLength()] ;

            IOUtils. readFully (fis , buf , 0 , buf. length ) ;

            //写入value

            value .set(buf) ;

            isProgressed = true;

            return isProgressed ;

        } else {

            return false;

        }

    }

    @Override

    public NullWritable getCurrentKey () throws IOException , InterruptedException {

        //获取当前key

        return NullWritable. get () ;

    }

    @Override

    public Text getCurrentValue () throws IOException , InterruptedException {

        //获取当前值

        return value ;

    }

    @Override

    public float getProgress () throws IOException , InterruptedException {

        //获取进程状态

        return 0 ;

    }

    @Override

    public void close () throws IOException {

        //关闭相应资源

    }

}

    ③ SequenceFileMapper处理流程

public class WholeFileMapper extends Mapper , Text , Text , Text> {

    String name ;

    Text k = new Text() ;

    @Override

    protected void setup (Context context) throws IOException , InterruptedException {

        //获取切片信息

        FileSplit split = (FileSplit)context.getInputSplit() ;

        name = split.getPath().getName() ;

    }

    @Override

    protected void map (NullWritable key , Text value , Context context) throws IOException , InterruptedException {

        k .set( name ) ;

        //写出

        context.write( k , value) ;

    }

}

    ④ SequenceFileDriver处理流程

public class WholeFileDriver {

    public static void main (String[] args) throws IOException , ClassNotFoundException , InterruptedException {

        //1.获取Job对象

        Configuration configuration = new Configuration() ;

        Job job = Job. getInstance (configuration) ;

        //2.设置jar路径

        job.setJarByClass(WholeFileDriver. class ) ;

        //3.设置Mapper类

        job.setMapperClass(WholeFileMapper. class ) ;

        //4.设置Mapper输出的KV类型

//        job.setMapOutputKeyClass(Text.class);

//        job.setMapOutputValueClass(Text.class);

        //5.设置最终输出的KV类型

        job.setOutputKeyClass(Text. class ) ;

        job.setOutputValueClass(Text. class ) ;

        //8.设置InputFormat

        job.setInputFormatClass(WholeFileInputFormat.class);

        job.setNumReduceTasks(0);

        //6.设置文件输入输出路径

        FileInputFormat. setInputPaths (job , new Path(args[ 0 ])) ;

        FileOutputFormat. setOutputPath (job , new Path(args[ 1 ])) ;

        //7.提交

        boolean result = job.waitForCompletion( true ) ;

        System. exit (result ? 0 : 1 ) ;

    }

}