MapReduce - 讀取數據
通過InputFormat決定讀取的數據的類型,然後拆分成一個個InputSplit,每個InputSplit對應一個Map處理,RecordReader讀取InputSplit的內容給Map
InputFormat
決定讀取數據的格式,可以是文件或數據庫等
功能
驗證作業輸入的正確性,如格式等
將輸入文件切割成邏輯分片(InputSplit),一個InputSplit將會被分配給一個獨立的Map任務
提供RecordReader實現,讀取InputSplit中的"K-V對"供Mapper使用
方法
List getSplits(): 獲取由輸入文件計算出輸入分片(InputSplit),解決數據或文件分割成片問題
RecordReader createRecordReader(): 創建RecordReader,從InputSplit中讀取數據,解決讀取分片中數據問題
類結構
TextInputFormat: 輸入文件中的每一行就是一個記錄,Key是這一行的byte offset,而value是這一行的內容
KeyValueTextInputFormat: 輸入文件中每一行就是一個記錄,第一個分隔符字符切分每行。在分隔符字符之前的內容爲Key,在之後的爲Value。分隔符變量通過key.value.separator.in.input.line變量設置,默認爲(\t)字符。
NLineInputFormat: 與TextInputFormat一樣,但每個數據塊必須保證有且只有N行,mapred.line.input.format.linespermap屬性,默認爲1
SequenceFileInputFormat: 一個用來讀取字符流數據的InputFormat,<key,value>爲用戶自定義的。字符流數據是Hadoop自定義的壓縮的二進制數據格式。它用來優化從一個MapReduce任務的輸出到另一個MapReduce任務的輸入之間的數據傳輸過程。</key,value>
InputSplit
代表一個個邏輯分片,並沒有真正存儲數據,只是提供了一個如何將數據分片的方法
Split內有Location信息,利於數據局部化
一個InputSplit給一個單獨的Map處理
public abstract class InputSplit {
/**
* 獲取Split的大小,支持根據size對InputSplit排序.
*/
public abstract long getLength() throws IOException, InterruptedException;
/**
* 獲取存儲該分片的數據所在的節點位置.
*/
public abstract String[] getLocations() throws IOException, InterruptedException;
}
RecordReader
將InputSplit拆分成一個個<key,value>對給Map處理,也是實際的文件讀取分隔對象</key,value>
問題
大量小文件如何處理
CombineFileInputFormat可以將若干個Split打包成一個,目的是避免過多的Map任務(因爲Split的數目決定了Map的數目,大量的Mapper Task創建銷燬開銷將是巨大的)
怎麼計算split的
通常一個split就是一個block(FileInputFormat僅僅拆分比block大的文件),這樣做的好處是使得Map可以在存儲有當前數據的節點上運行本地的任務,而不需要通過網絡進行跨節點的任務調度
通過mapred.min.split.size, mapred.max.split.size, block.size來控制拆分的大小
如果mapred.min.split.size大於block size,則會將兩個block合成到一個split,這樣有部分block數據需要通過網絡讀取
如果mapred.max.split.size小於block size,則會將一個block拆成多個split,增加了Map任務數(Map對split進行計算並且上報結果,關閉當前計算打開新的split均需要耗費資源)
先獲取文件在HDFS上的路徑和Block信息,然後根據splitSize對文件進行切分( splitSize = computeSplitSize(blockSize, minSize, maxSize) ),默認splitSize 就等於blockSize的默認值(64m)
public List<InputSplit> getSplits(JobContext job) throws IOException {
// 首先計算分片的最大和最小值。這兩個值將會用來計算分片的大小
long minSize = Math.max(getFormatMinSplitSize(), getMinSplitSize(job));
long maxSize = getMaxSplitSize(job);
// generate splits
List<InputSplit> splits = new ArrayList<InputSplit>();
List<FileStatus> files = listStatus(job);
for (FileStatus file: files) {
Path path = file.getPath();
long length = file.getLen();
if (length != 0) {
FileSystem fs = path.getFileSystem(job.getConfiguration());
// 獲取該文件所有的block信息列表[hostname, offset, length]
BlockLocation[] blkLocations = fs.getFileBlockLocations(file, 0, length);
// 判斷文件是否可分割,通常是可分割的,但如果文件是壓縮的,將不可分割
if (isSplitable(job, path)) {
long blockSize = file.getBlockSize();
// 計算分片大小
// 即 Math.max(minSize, Math.min(maxSize, blockSize));
long splitSize = computeSplitSize(blockSize, minSize, maxSize);
long bytesRemaining = length;
// 循環分片。
// 當剩餘數據與分片大小比值大於Split_Slop時,繼續分片, 小於等於時,停止分片
while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {
int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
splits.add(makeSplit(path, length-bytesRemaining, splitSize, blkLocations[blkIndex].getHosts()));
bytesRemaining -= splitSize;
}
// 處理餘下的數據
if (bytesRemaining != 0) {
splits.add(makeSplit(path, length-bytesRemaining, bytesRemaining, blkLocations[blkLocations.length-1].getHosts()));
}
} else {
// 不可split,整塊返回
splits.add(makeSplit(path, 0, length, blkLocations[0].getHosts()));
}
} else {
// 對於長度爲0的文件,創建空Hosts列表,返回
splits.add(makeSplit(path, 0, length, new String[0]));
}
}
// 設置輸入文件數量
job.getConfiguration().setLong(NUM_INPUT_FILES, files.size());
LOG.debug("Total # of splits: " + splits.size());
return splits;
}
分片間的數據如何處理
split是根據文件大小分割的,而一般處理是根據分隔符進行分割的,這樣勢必存在一條記錄橫跨兩個split
解決辦法是隻要不是第一個split,都會遠程讀取一條記錄。不是第一個split的都忽略到第一條記錄
public class LineRecordReader extends RecordReader<LongWritable, Text> {
private CompressionCodecFactory compressionCodecs = null;
private long start;
private long pos;
private long end;
private LineReader in;
private int maxLineLength;
private LongWritable key = null;
private Text value = null;
// initialize函數即對LineRecordReader的一個初始化
// 主要是計算分片的始末位置,打開輸入流以供讀取K-V對,處理分片經過壓縮的情況等
public void initialize(InputSplit genericSplit, TaskAttemptContext context) throws IOException {
FileSplit split = (FileSplit) genericSplit;
Configuration job = context.getConfiguration();
this.maxLineLength = job.getInt("mapred.linerecordreader.maxlength", Integer.MAX_VALUE);
start = split.getStart();
end = start + split.getLength();
final Path file = split.getPath();
compressionCodecs = new CompressionCodecFactory(job);
final CompressionCodec codec = compressionCodecs.getCodec(file);
// 打開文件,並定位到分片讀取的起始位置
FileSystem fs = file.getFileSystem(job);
FSDataInputStream fileIn = fs.open(split.getPath());
boolean skipFirstLine = false;
if (codec != null) {
// 文件是壓縮文件的話,直接打開文件
in = new LineReader(codec.createInputStream(fileIn), job);
end = Long.MAX_VALUE;
} else {
// 只要不是第一個split,則忽略本split的第一行數據
if (start != 0) {
skipFirstLine = true;
--start;
// 定位到偏移位置,下次讀取就會從偏移位置開始
fileIn.seek(start);
}
in = new LineReader(fileIn, job);
}
if (skipFirstLine) {
// 忽略第一行數據,重新定位start
start += in.readLine(new Text(), 0, (int) Math.min((long) Integer.MAX_VALUE, end - start));
}
this.pos = start;
}
public boolean nextKeyValue() throws IOException {
if (key == null) {
key = new LongWritable();
}
key.set(pos);// key即爲偏移量
if (value == null) {
value = new Text();
}
int newSize = 0;
while (pos < end) {
newSize = in.readLine(value, maxLineLength, Math.max((int) Math.min(Integer.MAX_VALUE, end - pos), maxLineLength));
// 讀取的數據長度爲0,則說明已讀完
if (newSize == 0) {
break;
}
pos += newSize;
// 讀取的數據長度小於最大行長度,也說明已讀取完畢
if (newSize < maxLineLength) {
break;
}
// 執行到此處,說明該行數據沒讀完,繼續讀入
}
if (newSize == 0) {
key = null;
value = null;
return false;
} else {
return true;
}
}
}