MapReduce InputFormat之FileInputFormat

一:简单认识InputFormat类InputFormat主要用于描述输入数据的格式,提供了以下两个功能:1)、数据切分,按照某个策略将输入数据且分成若干个split,以便确定MapTask的个数即Mapper的个数,在MapReduce框架中,一个split就意味着需要一个MapTask;2)为Mapper提供输入数据,即给定一个spli…

大家好,又见面了,我是你们的朋友全栈君。

一:简单认识InputFormat类

InputFormat主要用于描述输入数据的格式,提供了以下两个功能: 

        1)、数据切分,按照某个策略将输入数据且分成若干个split,以便确定Map Task的个数即Mapper的个数,在MapReduce框架中,一个split就意味着需要一个Map Task; 

 

        2)为Mapper提供输入数据,即给定一个split,(使用其中的RecordReader对象)将之解析为一个个的key/value键值对。

 

下面我们先来看以下1.0版本中的老的InputFormat接口:

Java代码 

  1. public interface InputFormat<K,V>{  
  2.      
  3.    //获取所有的split分片     
  4.    public InputSplit[] getSplits(JobConf job,int numSplits) throws IOException;   
  5.     
  6.    //获取读取split的RecordReader对象,实际上是由RecordReader对象将  
  7.    //split解析成一个个的key/value对儿  
  8.    public RecordReader<K,V> getRecordReader(InputSplit split,  
  9.                                JobConf job,  
  10.                                Reporter reporter) throws IOException;   
  11. }  

InputSplit 
        getSplit(…)方法主要用于切分数据,它会尝试浙江输入数据且分成numSplits个InputSplit的栓皮栎split分片。InputSplit主要有以下特点: 
        1)、逻辑分片,之前我们已经学习过split和block的对应关系和区别,split只是在逻辑上对数据分片,并不会在磁盘上讲数据切分成split物理分片,实际上数据在HDFS上还是以block为基本单位来存储数据的。InputSplit只记录了Mapper要处理的数据的元数据信息,如起始位置、长度和所在的节点; 

 

 

 

MapReduce InputFormat之FileInputFormat

  2)、可序列化,在Hadoop中,序列化主要起两个作用,进程间通信和数据持久化存储。在这里,InputSplit主要用于进程间的通信。 
         在作业被提交到JobTracker之前,Client会先调用作业InputSplit中的getSplit()方法,并将得到的分片信息序列化到文件中,这样,在作业在JobTracker端初始化时,便可并解析出所有split分片,创建对象应的Map Task。 
         InputSplit也是一个interface,具体返回什么样的implement,这是由具体的InputFormat来决定的。InputSplit也只有两个接口函数:

Java代码 

  1. public interface InputSplit extends Writable {  
  2.   
  3.   /** 
  4.    * 获取split分片的长度 
  5.    *  
  6.    * @return the number of bytes in the input split. 
  7.    * @throws IOException 
  8.    */  
  9.   long getLength() throws IOException;  
  10.     
  11.   /** 
  12.    * 获取存放这个Split的Location信息(也就是这个Split在HDFS上存放的机器。它可能有 
  13.    * 多个replication,存在于多台机器上 
  14.    *  
  15.    * @return list of hostnames where data of the <code>InputSplit</code> is 
  16.    *         located as an array of <code>String</code>s. 
  17.    * @throws IOException 
  18.    */  
  19.   String[] getLocations() throws IOException;  
  20. }  

 在需要读取一个Split的时候,其对应的InputSplit会被传递到InputFormat的第二个接口函数getRecordReader,然后被用于初始化一个RecordReader,以便解析输入数据,描述Split的重要信息都被隐藏了,只有具体的InputFormat自己知道,InputFormat只需要保证getSplits返回的InputSplit和getRecordReader所关心的InputSplit是同样的implement就行了,这给InputFormat的实现提供了巨大的灵活性。 
         在MapReduce框架中最常用的FileInputFormat为例,其内部使用的就是FileSplit来描述InputSplit。我们来看一下FileSplit的一些定义信息:

Java代码  

  1. /** A section of an input file.  Returned by {@link 
  2.  * InputFormat#getSplits(JobConf, int)} and passed to 
  3.  * {@link InputFormat#getRecordReader(InputSplit,JobConf,Reporter)}.  
  4.  */  
  5. public class FileSplit extends org.apache.hadoop.mapreduce.InputSplit   
  6.                        implements InputSplit {  
  7.   // Split所在的文件  
  8.   private Path file;  
  9.   // Split的起始位置  
  10.   private long start;  
  11.   // Split的长度  
  12.   private long length;  
  13.   // Split所在的机器名称  
  14.   private String[] hosts;  
  15.     
  16.   FileSplit() {}  
  17.   
  18.   /** Constructs a split. 
  19.    * @deprecated 
  20.    * @param file the file name 
  21.    * @param start the position of the first byte in the file to process 
  22.    * @param length the number of bytes in the file to process 
  23.    */  
  24.   @Deprecated  
  25.   public FileSplit(Path file, long start, long length, JobConf conf) {  
  26.     this(file, start, length, (String[])null);  
  27.   }  
  28.   
  29.   /** Constructs a split with host information 
  30.    * 
  31.    * @param file the file name 
  32.    * @param start the position of the first byte in the file to process 
  33.    * @param length the number of bytes in the file to process 
  34.    * @param hosts the list of hosts containing the block, possibly null 
  35.    */  
  36.   public FileSplit(Path file, long start, long length, String[] hosts) {  
  37.     this.file = file;  
  38.     this.start = start;  
  39.     this.length = length;  
  40.     this.hosts = hosts;  
  41.   }  
  42.   
  43.   /** The file containing this split’s data. */  
  44.   public Path getPath() { return file; }  
  45.     
  46.   /** The position of the first byte in the file to process. */  
  47.   public long getStart() { return start; }  
  48.     
  49.   /** The number of bytes in the file to process. */  
  50.   public long getLength() { return length; }  
  51.   
  52.   public String toString() { return file + “:” + start + “+” + length; }  
  53.   
  54.     
  55.   // Writable methods  
  56.     
  57.   
  58.   public void write(DataOutput out) throws IOException {  
  59.     UTF8.writeString(out, file.toString());  
  60.     out.writeLong(start);  
  61.     out.writeLong(length);  
  62.   }  
  63.   public void readFields(DataInput in) throws IOException {  
  64.     file = new Path(UTF8.readString(in));  
  65.     start = in.readLong();  
  66.     length = in.readLong();  
  67.     hosts = null;  
  68.   }  
  69.   
  70.   public String[] getLocations() throws IOException {  
  71.     if (this.hosts == null) {  
  72.       return new String[]{};  
  73.     } else {  
  74.       return this.hosts;  
  75.     }  
  76.   }  
  77.     
  78. }  

         从上面的代码中我们可以看到,FileSplit就是InputSplit接口的一个实现。InputFormat使用的RecordReader将从FileSplit中获取信息,解析FileSplit对象从而获得需要的数据的起始位置、长度和节点位置。 

 

 

 

  RecordReader 
         对于getRecordReader(…)方法,它返回一个RecordReader对象,该对象可以讲输入的split分片解析成一个个的key/value对儿。在Map Task的执行过程中,会不停的调用RecordReader对象的方法,迭代获取key/value并交给map()方法处理:

Java代码 

  1. //调用InputFormat的getRecordReader()获取RecordReader<K,V>对象,  
  2. //并由RecordReader对象解析其中的input(split)…  
  3. K1 key = input.createKey();  
  4. V1 value = input.createValue();  
  5. while(input.next(key,value)){
    //从input读取下一个key/value对  
  6.     //调用用户编写的map()方法  
  7. }  
  8. input.close();  

         RecordReader主要有两个功能: 
         ●定位记录的边界:由于FileInputFormat是按照数据量对文件进行切分,因而有可能会将一条完整的记录切成2部分,分别属于两个split分片,为了解决跨InputSplit分片读取数据的问题,RecordReader规定每个分片的第一条不完整的记录划给前一个分片处理。 
         ●解析key/value:定位一条新的记录,将记录分解成key和value两部分供Mapper处理。 

 

 

 

InputFormat 
         MapReduce自带了一些InputFormat的实现类: 

MapReduce InputFormat之FileInputFormat

 下面我们看几个有代表性的InputFormat: 
         FileInputFormat 
         FileInputFormat是一个抽象类,它最重要的功能是为各种InputFormat提供统一的getSplits()方法,该方法最核心的是文件切分算法和Host选择算法:

Java代码 

  1. /** Splits files returned by {@link #listStatus(JobConf)} when 
  2.    * they’re too big.*/   
  3. @SuppressWarnings(“deprecation”)  
  4. public InputSplit[] getSplits(JobConf job, int numSplits)  
  5.     throws IOException {  
  6.     FileStatus[] files = listStatus(job);  
  7.       
  8.     // Save the number of input files in the job-conf  
  9.     job.setLong(NUM_INPUT_FILES, files.length);  
  10.     long totalSize = 0;                           // compute total size  
  11.     for (FileStatus file: files) {                // check we have valid files  
  12.       if (file.isDir()) {  
  13.         throw new IOException(“Not a file: “+ file.getPath());  
  14.       }  
  15.       totalSize += file.getLen();  
  16.     }  
  17.       
  18.     long goalSize = totalSize / (numSplits == 0 ? 1 : numSplits);  
  19.     long minSize = Math.max(job.getLong(“mapred.min.split.size”1),  
  20.                             minSplitSize);  
  21.   
  22.     // 定义要生成的splits(FileSplit)的集合  
  23.     ArrayList<FileSplit> splits = new ArrayList<FileSplit>(numSplits);  
  24.     NetworkTopology clusterMap = new NetworkTopology();  
  25.     for (FileStatus file: files) {  
  26.       Path path = file.getPath();  
  27.       FileSystem fs = path.getFileSystem(job);  
  28.       long length = file.getLen();  
  29.       BlockLocation[] blkLocations = fs.getFileBlockLocations(file, 0, length);  
  30.       if ((length != 0) && isSplitable(fs, path)) {   
  31.         long blockSize = file.getBlockSize();  
  32.         //获取最终的split分片的大小,该值很可能和blockSize不相等  
  33.         long splitSize = computeSplitSize(goalSize, minSize, blockSize);  
  34.   
  35.         long bytesRemaining = length;  
  36.         while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {  
  37.           //获取split分片所在的host的节点信息  
  38.           String[] splitHosts = getSplitHosts(blkLocations,   
  39.               length-bytesRemaining, splitSize, clusterMap);  
  40.           //最终生成所有分片  
  41.           splits.add(new FileSplit(path, length-bytesRemaining, splitSize,   
  42.               splitHosts));  
  43.           bytesRemaining -= splitSize;  
  44.         }  
  45.           
  46.         if (bytesRemaining != 0) {  
  47.           splits.add(new FileSplit(path, length-bytesRemaining, bytesRemaining,   
  48.                      blkLocations[blkLocations.length-1].getHosts()));  
  49.         }  
  50.       } else if (length != 0) {  
  51.         //获取split分片所在的host的节点信息  
  52.         String[] splitHosts = getSplitHosts(blkLocations,0,length,clusterMap);  
  53.         //最终生成所有分片  
  54.         splits.add(new FileSplit(path, 0, length, splitHosts));  
  55.       } else {   
  56.         //Create empty hosts array for zero length files  
  57.         //最终生成所有分片  
  58.         splits.add(new FileSplit(path, 0, length, new String[0]));  
  59.       }  
  60.     }  
  61.     LOG.debug(“Total # of splits: “ + splits.size());  
  62.     return splits.toArray(new FileSplit[splits.size()]);  
  63. }  

          1)、文件切分算法 
          文件切分算法主要用于确定InputSplit的个数以及每个InputSplit对应的数据段,FileInputSplit以文件为单位切分生成InputSplit。有三个属性值来确定InputSplit的个数: 
          ●goalSize:该值由totalSize/numSplits来确定InputSplit的长度,它是根据用户的期望的InputSplit个数计算出来的;numSplits为用户设定的Map Task的个数,默认为1。 
          ●minSize:由配置参数mapred.min.split.size决定的InputFormat的最小长度,默认为1。 
          ●blockSize:HDFS中的文件存储块block的大小,默认为64MB。 
          这三个参数决定一个InputFormat分片的最终的长度,计算方法如下: 
                      splitSize = max{minSize,min{goalSize,blockSize}} 
计算出了分片的长度后,也就确定了InputFormat的数目。 

          2)、host选择算法 
          InputFormat的切分方案确定后,接下来就是要确定每一个InputSplit的元数据信息。InputSplit元数据通常包括四部分,<file,start,length,hosts>其意义为: 
          ●file标识InputSplit分片所在的文件; 
          ●InputSplit分片在文件中的的起始位置; 
          ●InputSplit分片的长度; 
          ●分片所在的host节点的列表。 
          InputSplit的host列表的算作策略直接影响到运行作业的本地性。我们知道,由于大文件存储在HDFS上的block可能会遍布整个Hadoop集群,而一个InputSplit分片的划分算法可能会导致一个split分片对应多个不在同一个节点上的blocks,这就会使得在Map Task执行过程中会涉及到读其他节点上的属于该Task的block中的数据,从而不能实现数据本地性,而造成更多的网络传输开销。 
          一个InputSplit分片对应的blocks可能位于多个数据节点地上,但是基于任务调度的效率,通常情况下,不会把一个分片涉及的所有的节点信息都加到其host列表中,而是选择包含该分片的数据总量的最大的前几个节点,作为任务调度时判断是否具有本地性的主要凭证。 
         FileInputFormat使用了一个启发式的host选择算法:首先按照rack机架包含的数据量对rack排序,然后再在rack内部按照每个node节点包含的数据量对node排序,最后选取前N个(N为block的副本数)node的host作为InputSplit分片的host列表。当任务地调度Task作业时,只要将Task调度给host列表上的节点,就可以认为该Task满足了本地性。 
         从上面的信息我们可以知道,当InputSplit分片的大小大于block的大小时,Map Task并不能完全满足数据的本地性,总有一本分的数据要通过网络从远程节点上读数据,故为了提高Map Task的数据本地性,减少网络传输的开销,应尽量是InputFormat的大小和HDFS的block块大小相同。 

          TextInputFormat 
          默认情况下,MapReduce使用的是TextInputFormat来读分片并将记录数据解析成一个个的key/value对,其中key为该行在整个文件(注意而不是在一个block)中的偏移量,而行的内容即为value。 
          CombineFileInputFormat 
          CombineFileInputFormat的作用是把许多文件合并作为一个map的输入,它的主要思路是把输入目录下的大文件分成多个map的输入, 并合并小文件, 做为一个map的输入。适合在处理多个小文件的场景。 
          SequenceFileInputFormat 
          SequenceFileInputFormat是一个顺序的二进制的FileInputFormat,内部以key/value的格式保存数据,通常会结合LZO或Snappy压缩算法来读取或保存可分片的数据文件。


搜索与推荐Wiki

扫一扫 关注微信公众号!号主 专注于搜索和推荐系统,尝试使用算法去更好的服务于用户,包括但不局限于机器学习,深度学习,强化学习,自然语言理解,知识图谱,还不定时分享技术,资料,思考等文章!


                             【技术服务】,详情点击查看:https://mp.weixin.qq.com/s/PtX9ukKRBmazAWARprGIAg 


外包服务

MapReduce InputFormat之FileInputFormat

 

 

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/126121.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)
blank

相关推荐

  • sql like通配符

    sql like通配符LIKE确定给定的字符串是否与指定的模式匹配。模式可以包含常规字符和通配符字符。模式匹配过程中,常规字符必须与字符串中指定的字符完全匹配。然而,可使用字符串的任意片段匹配通配符。与使用=和!=字符串比较运算符相比,使用通配符可使LIKE运算符更加灵活。如果任何参数都不属于字符串数据类型,Microsoft®SQLServer™会将其转换成字符串数据类型(如果可能)。语法

  • LeetCode – Refresh – Valid Palindrome

    LeetCode – Refresh – Valid Palindrome

  • 视频一键识别生成字幕

    视频一键识别生成字幕前不久我介绍了通过视频生成字幕的技术原理(博客、B站),我现在把这个功能打包成一个易于操作的界面,如下图所属:操作非常的简单,打开程序后,点击上面【打开要识别的视频按钮】,就会弹出下图的打开文件对话框,选择需要生成字幕的视频:稍等片刻,待程序识别并生成完成后就弹出如下保存对话框,填写要保存的字幕文件名就可以了:最后生成类似如下的文件就可以在你的视频编辑软件中进行合并了。软件下载…

  • deviceiocontrol true什么意思_device driver service

    deviceiocontrol true什么意思_device driver service与驱动程序通信的函数,除了ReadFile和WriteFile函数还有DeviceIoControl函数,而且DeviceIoControl函数那是相当的彪悍。因为它可以自定义控制码,你只要在IRP_MJ_DEVICE_CONTROL对应的派遣函数中读取控制码,然后针对控制码,你就可以实现自定义的功能了。 函数原型:BOOLWINAPIDeviceIoControl( __

  • 分布式存储系统sheepdog

    分布式存储系统sheepdog

  • 项目管理-5大过程组-10大知识领域-47过程

    项目管理五大过程组:1、启动过程组:获得授权,定义一个新项目或现有项目的一个新阶段,正式开始该项目或阶段的一组过程。2、规划过程组:明确项目范围,优化目标,为实现目标而制定行动方案的一组过程。3、执行过程组:完成项目管理计划中确定的工作以实现项目目标的一组过程。4、监控过程组:跟踪、审查和调整项目进展与绩效,识别必要的计划变更并启动相应变更的一组过程。5、收尾过程组:为完结所有过程组的…

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号