组织切片技术的原理(黄瓜怎么切片)

第一种切片机制——FileInputFormat1.切片的机制1.切片的机制简单地按照文件的内容长度进行切片切片大小,默认等于Block大小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…

大家好,又见面了,我是你们的朋友全栈君。

在job提交阶段我们会提交
xml文件、jar包、和切片信息,xml文件我们可以在程序中申明或写成配置文件,jar包就是我们的逻辑代码和依赖,而我们的切片信息可以由FileInputFormat和CombineTextInputFormat切片机制决定(也可以自定义切片机制)!!!

1.简介

FileInputFormat是所有基于文件的InputFormat的基类。这个基类提供了getSplits的通用性实现。FileInputFormat的子类需要覆写isSplitable方法来确保input-files不能被切分,并且被作为一个整体输入到mapper。FileInputFormat抽象类除了实现了父类InputFormat的抽象方法getSplits,还增加了一个比较重要的方法是IsSplitable,主要作用是:由于我们输入的文本文件可能是压缩文件,而压缩文件并不一定能被切分,所以判断的是压缩编码是否为SplittableCompressionCodec接口的实现,目前默认支持的可切分压缩编码为BZip2Codec,这也就是我们使用gzip等其他压缩文件进行处理的时候,map的个数等于压缩文件的个数。getSplits通过判断IsSplitable是否为true来选择对输入文件进行切分还是把文件当作一个split。

2.切片的默认机制

  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
    图解三:
    在这里插入图片描述

3.介绍默认切片流程

  1. 程序先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file1.txt
	//源码流程
	1)获取文件大小:fs.sizeOf(ss.txt)
	2)计算切片大小:(computeSliteSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M)
	3)开始切 第一个切片:ss.txt--0:128M
			 第二个切片:ss.txt--128:256M
			 第三个切片:ss.txt--256:320M
	//注: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
	4)将切片信息写到一个切片规划文件中
	5) 整个切片的核心过程在getSplit()方法中完成
	6) InputSplit只记录了切片的元数据信息,比如起始位置、长度以及所在的节点列表等。
  1. 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。

4.某些细节详解

1. 源码中计算切片大小的公式
Math.max(minSize, Math.min(maxSize, blockSize))

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。

2. 改变切片大小
1)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
2)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。

5.FileInputFormat最常用的三个子类

输入格式 功能描述 键类型 值类型
TextInputFormat 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起始字节偏移量。值是这行的内容,不包括任何行终止符(换行符和回车符)。 行的字节偏移量(LongWritable) 行的内容(Text)
KeyValueInputFormat 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, “\t”);来设定分隔符。默认分隔符是tab(\t) 第一个定义key/value分隔符之前的所有字符(Text) 第一个定义key/value分隔符之后的所有字符(Text)
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。 行的字节偏移量(LongWritable) 行的内容(Text)
SequenceFileInputFormat Hadoop定义的高性能二进制格式 用户自定义 用户自定义

版权声明:本博客为记录本人自学感悟,转载需注明出处!
https://me.csdn.net/qq_39657909

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/129283.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

  • NOTIFYICONDATA结构

    NOTIFYICONDATA结构//农机调度项目代码NOTIFYICONDATAm_notifyData;m_notifyIcon.ChangeIcon(IDI_PAUSE,_T("监控终端server已暂停&quot

  • nurtas aidarbekov_true image2018

    nurtas aidarbekov_true image2018Up主作为CV穷人代表,这一次想要触碰一下papers里最为活跃却又以“Huge”令穷人望而生畏的超级数据集:ImageNet中的ILSVRC2012.还记得依靠氪金“霸道总裁式”碾压一切“noise2image”的BigGAN吗?来不及时间解释了,快上车!##下载可怜穷人的BigGAN-4~8gpusversion>>gitcl…

  • HelixServe搭建局域网流媒体服务器

    HelixServe搭建局域网流媒体服务器查了两天资料,有了些眉目,在成功搭建数次之后把这篇博客补上    但成功搭建并不是一蹴而就的,从开始的一脸懵逼,到中途的困难频繁造访几欲放弃打算转向研究其他实现方式,再到最后的豁然开朗,真应了秀娟说的那句话:    学习的乐趣就在于前期为伊消得人憔悴的酝酿,在于中期一知半解的朦胧,在于后期柳暗花明的顿悟。    不多说了,感谢自己挺过来了,坚持下来,尝到了胜利的喜悦…

  • 操作必须使用一个可更新的查询

    操作必须使用一个可更新的查询ADO由于以下的几个原因而不能够写数据库造成的:1、最普遍的原因是匿名用户帐号(IUSR_MACHINE)对该数据库文件没有写权限:在管理器中调整数据库文件的属性,让匿名用户有正确的权限。当使用A

  • 公务员叫停年终奖_100个月年终奖

    公务员叫停年终奖_100个月年终奖年底红包,多少羡慕嫉妒恨  时光荏苒,岁月蹉跎。不知不觉间,2011年即将走过。忙碌了一年的人们,自进入12月便开始了年终奖的各种讨论及猜测。在贴吧,微博网友们纷纷以晒年终奖的方式品味着所有快乐以及忧愁。  2011年,通胀压力下物价节节攀高,进入下半年CPI指数有所下降,但消费支出压力丝毫没有得到缓解,特别是集中到年底流水似的花销更叫人隐隐作痛。在现实的生存压力之下,上班族对年终

  • MySQL的锁机制_线程安全与锁机制

    MySQL的锁机制_线程安全与锁机制一、锁的作用数据库使用锁是为了支持对共享资源的并发访问,同时保证数据的完整性和一致性。二、锁的类型2.1全局锁全局锁意味着对整个数据库实例加上锁。通常使用的是全局读锁——Flushtableswithreadlock(FTWRL)。使用这个命令,可以使整个库处于只读状态,其他线程的无论使用DML、DDL甚至是事务的提交语句都会无法正常执行。使用场景做全库逻辑备份,对所有的表数据进行锁定,保证数据的一致性。问题但是FTWRL的全局锁方案有比较严重的缺

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