MapReduce InputFormat之FileInputFormat

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>{
3. //获取所有的split分片
4. public InputSplit[] getSplits(JobConf job,int numSplits) throws IOException;
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 {
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;
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;
16. FileSplit() {}
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. }
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. }
43. /** The file containing this split’s data. */
44. public Path getPath() { return file; }
46. /** The position of the first byte in the file to process. */
47. public long getStart() { return start; }
49. /** The number of bytes in the file to process. */
50. public long getLength() { return length; }
52. public String toString() { return file + “:” + start + “+” + length; }
55. // Writable methods
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. }
70. public String[] getLocations() throws IOException {
71. if (this.hosts == null) {
72. return new String[]{};
73. } else {
74. return this.hosts;
75. }
76. }
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);
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. }
18. long goalSize = totalSize / (numSplits == 0 ? 1 : numSplits);
19. long minSize = Math.max(job.getLong(“mapred.min.split.size”, 1),
20. minSplitSize);
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);
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. }
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。

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