初探MapReduce切片

MapTask并行度决定机制

数据块：Block是HDFS物理上把数据分成一块一块。
数据切片：数据切片只是在逻辑上对输入进行分片，并不会在磁盘上将其切分成片进行存储。

数据切片与MapTask并行度决定机制

注意第4小点：切片时是逐个针对每一个文件单独切片

Job提交流程

FileInputFormat源码分析

FileInputFormat切片机制

CombineTextInputFormat

1、应用场景：
CombineTextInputFormat用于小文件过多的场景，它可以将多个小文件从逻辑上规划到一个切片中，这样，多个小文件就可以交给一个MapTask处理。

2、虚拟存储切片最大值设置
CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);// 4m

3、切片机制
生成切片过程包括：虚拟存储过程和切片过程二部分。

CombineTextInputFormat切片机制

（1）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值比较，如果不大于设置的最大值，逻辑上划分一个块。如果输入文件大于设置的最大值且大于两倍，那么以最大值切割一块；当剩余数据大小超过设置的最大值且不大于最大值2倍，此时将文件均分成2个虚拟存储块（防止出现太小切片）。

例如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，如果按照4M逻辑划分，就会出现0.02M的小的虚拟存储文件，所以将剩余的4.02M文件切分成（2.01M和2.01M）两个文件。

（2）切片过程：
（a）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。
（b）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。
（c）测试举例：有4个小文件大小分别为1.7M、5.1M、3.4M以及6.8M这四个小文件，则虚拟存储之后形成6个文件块，大小分别为：
1.7M，（2.55M、2.55M），3.4M以及（3.4M、3.4M）
最终会形成3个切片，大小分别为：
（1.7+2.55）M，（2.55+3.4）M，（3.4+3.4）M

使用CombineTextInputFormat

在自定义Driver类中加入以下代码

// 如果不设置InputFormat，它默认用的是TextInputFormat.class
job.setInputFormatClass(CombineTextInputFormat.class);

//虚拟存储切片最大值设置4m
CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);

FileInputFormat实现类总结

TextInputFormat默认是每次读取一行

使用KeyValueTextInputFormat

conf.set(KeyValueLineRecordReader.KEY_VALUE_SEPERATOR,"分隔符");
// 如果不设置InputFormat，它默认用的是TextInputFormat.class
job.setInputFormatClass(KeyValueTextInputFormat.class);

使用KeyValueTextInputFormat

NLineInputFormat.setNumLinesPerSplit(job,行数);
// 如果不设置InputFormat，它默认用的是TextInputFormat.class
job.setInputFormatClass(NLineInputFormat.class);