大数据框架之Hadoop：MapReduce（三）MapReduce框架原理——InputFormat数据输入
| 阿里云国内75折 回扣 微信号：monov8 |
| 阿里云国际，腾讯云国际，低至75折。AWS 93折 免费开户实名账号 代冲值 优惠多多 微信号：monov8 飞机：@monov6 |
3.1.1切片与MapTask并行度决定机制
1、问题引出
MapTask的并行度决定Map阶段的任务处理并发度进而影响到整个Job的处理速度。
思考1G的数据启动8个MapTask可以提高集群的并发处理能力。那么1K的数据也启动8个MapTask会提高集群性能吗MapTask并行任务是否越多越好呢哪些因素影响了MapTask并行度
2、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。
3.1.2Job提交流程源码和切片源码详解
1、Job提交流程源码详解
waitForCompletion()
submit();
// 1建立连接
connect();
// 1创建提交Job的代理
new Cluster(getConfiguration());
// 1判断是本地yarn还是远程
initialize(jobTrackAddr, conf);
// 2 提交job
submitter.submitJobInternal(Job.this, cluster)
// 1创建给集群提交数据的Stag路径
Path jobStagingArea = JobSubmissionFiles.getStagingDir(cluster, conf);
// 2获取jobid 并创建Job路径
JobID jobId = submitClient.getNewJobID();
// 3拷贝jar包到集群
copyAndConfigureFiles(job, submitJobDir);
rUploader.uploadFiles(job, jobSubmitDir);
// 4计算切片生成切片规划文件
writeSplits(job, submitJobDir);
maps = writeNewSplits(job, jobSubmitDir);
input.getSplits(job);
// 5向Stag路径写XML配置文件
writeConf(conf, submitJobFile);
conf.writeXml(out);
// 6提交Job,返回提交状态
status = submitClient.submitJob(jobId, submitJobDir.toString(), job.getCredentials());
2、Job提交流程源码解析
wordcount断点打在Driver集群提交的代码
boolean result = job.waitForCompletion(true);
DEBUG:step into
3.1.3FileInputFormat切片机制
1、切片机制
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
2、案例分析
1输入数据有两个文件
file1.txt 320M
file2.txt 10M
2经过FileInputFormat的切片机制运算后形成的切片信息如下
file1.txt.split1-- 0~128
file1.txt.split2-- 128~256
file1.txt.split3-- 256~320
file2.txt.split1-- 0~10
FileInputFormat切片大小的参数配置
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切片大小设置
maxsize切片最大值参数如果调的比blockSize小则会让切片变小而且就等于配置的这个参数值。
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。
3获取切片信息API
// 获取切片的文件名称
String name = inputSplit.getPath().getName();
// 根据文件类型获取切片信息
FileSplit inputSplit = (FileSplit) context.getInputSplit();
3.1.4CombineTextInputFormat切片机制
框架默认的TextInputFormat切片机制是对任务按文件规划切片不管文件多小都会是一个单独的切片都会交给一个MapTask这样如果有大量小文件就会产生大量的MapTask处理效率极其低下。
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
注意虚拟存储切片最大值设置最好根据实际的小文件大小情况来设置具体的值。
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。
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
1.7M2.55M、2.55M3.4M以及3.4M、3.4M
最终会形成3个切片大小分别为
1.7+2.55M2.55+3.4M3.4+3.4M
3.1.5CombineTextInputFormat案例实操
1、需求
将输入的大量小文件合并成一个切片统一处理。
1输入数据
准备4个小文件
2期望
期望一个切片处理4个文件
2、实现过程
1不做任何处理运行1.6节的WordCount案例程序观察切片个数为4。
2在WordcountDriver中增加如下代码运行程序并观察运行的切片个数为3。
a驱动类中添加代码如下
// 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);
b运行如果为3个切片。
3在WordcountDriver中增加如下代码运行程序并观察运行的切片个数为1。
a驱动中添加代码如下
// 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20m
CombineTextInputFormat.setMaxInputSplitSize(job, 20971520);
b运行如果为1个切片。
3.1.6FileInputFormat实现类
思考**在运行MapReduce程序时输入文件格式包括基于行的日志文件、二进制格式文件、数据库表等。**那么针对不同的数据类型 MapReduce是如何读取这些数据的呢
FileInputFormat常见的接口实现类包括TextInputFormat、KeyValueTextInputFormat、NLineInputFormat、CombineTextInputFormat和自定义InputFormat等
1、TextInputFormat
TextInputFormat是默认的FileInputFormat实现类。按行读取每条记录。键是存储该行在整个文件中的起始字节偏移量LongWritable类型。值是这行的内容不包括任何终止符换行符和回车符Text类型。
以下是一个示例。比如一个分片包含了如下4条文本记录。
Rich learning form
Intelligent learning engine
Learning more convenient
From the real demand for more close to the enterprise
每条记录表示以下键/值对
(0,Rich learning form)
(19,Intelligent learning engine)
(47,Learning more convenient)
(72,From the real demand for more close to the enterprise)
2、KeyValueTextInputFormat
每一行均为一条记录被分隔符分割为keyvalue。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。
以下是一个示例输入时一个包含4条记录的分片。其中—>表示一个水平方向的制表符。
line1—>Rich learning form
line2—>Intelligent learning engine
line3—>Learning more convenient
line4—>From the real demand for more close to the enterprise
每条记录表示为以下键/值对
(line1,Rich learning form)
(line2,Intelligent learning engine)
(line3,Learning more convenient)
(line4,From the real demand for more close to the enterprise)
此时的键是每行排在制表符之前的Text序列。
3、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=切片书如果不整除切片数=商+1。
以下是一个示例仍然以上面的4行输入为例。
Rich learning form
Intelligent learning engine
Learning more convenient
From the real demand for more close to the enterprise
例如如果N是2则每个输入分片包含两行。开启2个MapTask。
(0,Rich learning form)
(19,Intelligent learning engine)
另一个mapper则受到后两行
(47,Learning more convenient)
(72,From the real demand for more close to the enterprise)
这里的键和值和TextInputFormat生成的一样。
3.1.7KeyValueTextInputFormat使用案例
1、需求
统计输入文件中每一行的第一个单词相同的行数。
1输入数据
banzhang ni hao
xihuan hadoop banzhang
banzhang ni hao
xihuan hadoop banzhang
2期望结果数据
banzhang 2
xihuan 2
2、需求分析
3、代码实现
1编写Mapper类
package com.cuiyf41.kvtext;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
public class KVTextMapper extends Mapper<Text, Text, Text, LongWritable> {
// 1 设置value
LongWritable v = new LongWritable(1);
@Override
protected void map(Text key, Text value, Mapper<Text, Text, Text, LongWritable>.Context context) throws IOException, InterruptedException {
// 2 写出
context.write(key, v);
}
}
2编写Reducer类
package com.cuiyf41.kvtext;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
public class KVTextReducer extends Reducer<Text, LongWritable, Text, LongWritable> {
LongWritable v = new LongWritable();
@Override
protected void reduce(Text key, Iterable<LongWritable> values, Reducer<Text, LongWritable, Text, LongWritable>.Context context) throws IOException, InterruptedException {
long sum = 0;
// 1 汇总统计
for(LongWritable value:values){
sum += value.get();
}
v.set(sum);
// 2 输出
context.write(key, v);
}
}
3编写Driver类
package com.cuiyf41.kvtext;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.KeyValueLineRecordReader;
import org.apache.hadoop.mapreduce.lib.input.KeyValueTextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.io.IOException;
public class KVTextDriver {
public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {
// 输入输出路径需要根据自己电脑上实际的输入输出路径设置
args = new String[] { "e:/input/kvtext.txt", "e:/output1" };
Configuration conf = new Configuration();
// 设置切割符
conf.set(KeyValueLineRecordReader.KEY_VALUE_SEPERATOR, " ");
// 1 获取job对象
Job job = Job.getInstance(conf);
// 2 设置jar包位置关联mapper和reducer
job.setJarByClass(KVTextDriver.class);
job.setMapperClass(KVTextMapper.class);
job.setReducerClass(KVTextReducer.class);
// 3 设置map输出kv类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(LongWritable.class);
// 4 设置最终输出kv类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(LongWritable.class);
// 5 设置输入输出数据路径
FileInputFormat.setInputPaths(job, new Path(args[0]));
// 设置输入格式
job.setInputFormatClass(KeyValueTextInputFormat.class);
// 6 设置输出数据路径
FileOutputFormat.setOutputPath(job, new Path(args[1]));
// 7 提交job
job.waitForCompletion(true);
}
}
3.1.8NLineInputFormat使用案例
1、需求
对每个单词进行个数统计要求根据每个输入文件的行数来规定输出多少个切片。此案例要求每三行放入一个切片中。
1输入数据
banzhang ni hao
xihuan hadoop banzhang
banzhang ni hao
xihuan hadoop banzhang
banzhang ni hao
xihuan hadoop banzhang
banzhang ni hao
xihuan hadoop banzhang
banzhang ni hao
xihuan hadoop banzhang banzhang ni hao
xihuan hadoop banzhang
2期望输出数据
Number of splits:4
2、需求分析
3、代码实现
1编写Mapper类
package com.cuiyf41.nline;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
public class NLineMapper extends Mapper<LongWritable, Text, Text, LongWritable> {
private Text k= new Text();
private LongWritable v = new LongWritable(1);
@Override
protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, LongWritable>.Context context) throws IOException, InterruptedException {
// 1 获取一行
String line = value.toString();
// 2 切割
String[] splited = line.split(" ");
// 3 循环写出
for(int i = 0; i < splited.length; i++){
k.set(splited[i]);
context.write(k, v);
}
}
}
2编写Reducer类
package com.cuiyf41.nline;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
public class NLineReducer extends Reducer<Text, LongWritable,Text, LongWritable> {
LongWritable v = new LongWritable();
@Override
protected void reduce(Text key, Iterable<LongWritable> values, Reducer<Text, LongWritable, Text, LongWritable>.Context context) throws IOException, InterruptedException {
long sum = 0;
// 1 汇总
for(LongWritable value:values){
sum += value.get();
}
v.set(sum);
// 2 输出
context.write(key, v);
}
}
3编写Driver类
package com.cuiyf41.nline;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.NLineInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.io.IOException;
public class NLineDriver {
public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {
// 输入输出路径需要根据自己电脑上实际的输入输出路径设置
args = new String[] { "e:/input/nline.txt", "e:/output1" };
// 1 获取job对象
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);
// 7设置每个切片InputSplit中划分三条记录
NLineInputFormat.setNumLinesPerSplit(job, 3);
// 8使用NLineInputFormat处理记录数
job.setInputFormatClass(NLineInputFormat.class);
// 2设置jar包位置关联mapper和reducer
job.setJarByClass(NLineDriver.class);
job.setMapperClass(NLineMapper.class);
job.setReducerClass(NLineReducer.class);
// 3设置map输出kv类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(LongWritable.class);
// 4设置最终输出kv类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(LongWritable.class);
// 5设置输入输出数据路径
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
// 6提交job
job.waitForCompletion(true);
}
}
4、测试
1输入数据
banzhang ni hao
xihuan hadoop banzhang
banzhang ni hao
xihuan hadoop banzhang
banzhang ni hao
xihuan hadoop banzhang
banzhang ni hao
xihuan hadoop banzhang
banzhang ni hao
xihuan hadoop banzhang banzhang ni hao
xihuan hadoop banzhang
2输出结果的切片数如图4-10所示
3.1.9自定义InputFormat
在企业开发中Hadoop框架自带的InputFormat类型不能满足所有应用场景需要自定义InputFormat来解决实际问题。
自定义InputFormat步骤如下
1自定义一个类继承FileInputFormat。
2改写RecordReader实现一次读取一个完整文件封装为KV。
3在输出时使用SequenceFileOutPutFormat输出合并文件。
3.1.10自定义InputFormat案例实操
无论HDFS还是MapReduce在处理小文件时效率都非常低但又难免面临处理大量小文件的场景此时就需要有相应解决方案。可以自定义InputFormat实现小文件的合并。
1、需求
将多个小文件合并成一个SequenceFile文件SequenceFile文件是Hadoop用来存储二进制形式的key-value对的文件格式SequenceFile里面存储着多个文件存储的形式为文件路径+名称为key文件内容为value。
1输入数据
one.txt
yongpeng weidong weinan
sanfeng luozong xiaoming
two.txt
longlong fanfan
mazong kailun yuhang yixin
longlong fanfan
mazong kailun yuhang yixin
three.txt
shuaige changmo zhenqiang
dongli lingu xuanxuan
2期望输出文件格式
2、需求分析
1自定义一个类继承FileInputFormat
- 重写isSplitable()方法返回false不可分割
- 重写createRecordReader()创建自定义的RecordReader对象并初始化
2)改写Recor实现一次读取一个完整文件封装为KV
- 采用IO流一次读取一个文件输出到value中因为设置了不可切片最终把所有文件都封装到了value中
- 获取文件路径信息+名称并设置key
3)设置Driver
// 设置输入的inputFormat
job.setInputFormatClass(WholeFileInputformat.class);
// 设置输出的outputFormat
job.setOutputFormatClass(SequenceFileOutputFormat.class);
3、程序实现
1自定义InputFromat
package com.cuiyf41.inputfile;
import java.io.IOException;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.BytesWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.InputSplit;
import org.apache.hadoop.mapreduce.JobContext;
import org.apache.hadoop.mapreduce.RecordReader;
import org.apache.hadoop.mapreduce.TaskAttemptContext;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
// 定义类继承FileInputFormat
public class WholeFileInputformat extends FileInputFormat<Text, BytesWritable>{
@Override
protected boolean isSplitable(JobContext context, Path filename) {
return false;
}
@Override
public RecordReader<Text, BytesWritable> createRecordReader(InputSplit split, TaskAttemptContext context) throws IOException, InterruptedException {
WholeRecordReader recordReader = new WholeRecordReader();
recordReader.initialize(split, context);
return recordReader;
}
}
2自定义RecordReader类
package com.cuiyf41.inputfile;
import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.BytesWritable;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.InputSplit;
import org.apache.hadoop.mapreduce.RecordReader;
import org.apache.hadoop.mapreduce.TaskAttemptContext;
import org.apache.hadoop.mapreduce.lib.input.FileSplit;
public class WholeRecordReader extends RecordReader<Text, BytesWritable>{
private Configuration configuration;
private FileSplit split;
private boolean isProgress= true;
private BytesWritable value = new BytesWritable();
private Text k = new Text();
@Override
public void initialize(InputSplit split, TaskAttemptContext context) throws IOException, InterruptedException {
this.split = (FileSplit)split;
configuration = context.getConfiguration();
}
@Override
public boolean nextKeyValue() throws IOException, InterruptedException {
if (isProgress) {
// 1 定义缓存区
byte[] contents = new byte[(int)split.getLength()];
FileSystem fs = null;
FSDataInputStream fis = null;
try {
// 2 获取文件系统
Path path = split.getPath();
fs = path.getFileSystem(configuration);
// 3 读取数据
fis = fs.open(path);
// 4 读取文件内容
IOUtils.readFully(fis, contents, 0, contents.length);
// 5 输出文件内容
value.set(contents, 0, contents.length);
// 6 获取文件路径及名称
String name = split.getPath().toString();
// 7 设置输出的key值
k.set(name);
} catch (Exception e) {
}finally {
IOUtils.closeStream(fis);
}
isProgress = false;
return true;
}
return false;
}
@Override
public Text getCurrentKey() throws IOException, InterruptedException {
return k;
}
@Override
public BytesWritable getCurrentValue() throws IOException, InterruptedException {
return value;
}
@Override
public float getProgress() throws IOException, InterruptedException {
return 0;
}
@Override
public void close() throws IOException {
}
}
3编写SequenceFileMapper类处理流程
package com.cuiyf41.inputfile;
import java.io.IOException;
import org.apache.hadoop.io.BytesWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
public class SequenceFileMapper extends Mapper<Text, BytesWritable, Text, BytesWritable>{
@Override
protected void map(Text key, BytesWritable value, Mapper<Text, BytesWritable, Text, BytesWritable>.Context context) throws IOException, InterruptedException {
context.write(key, value);
}
}
4编写SequenceFileReducer类处理流程
package com.cuiyf41.inputfile;
import java.io.IOException;
import org.apache.hadoop.io.BytesWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
public class SequenceFileReducer extends Reducer<Text, BytesWritable, Text, BytesWritable> {
@Override
protected void reduce(Text key, Iterable<BytesWritable> values, Reducer<Text, BytesWritable, Text, BytesWritable>.Context context) throws IOException, InterruptedException {
context.write(key, values.iterator().next());
}
}
5编写SequenceFileDriver类处理流程
package com.cuiyf41.inputfile;
import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.BytesWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.SequenceFileOutputFormat;
public class SequenceFileDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
// 输入输出路径需要根据自己电脑上实际的输入输出路径设置
args = new String[] { "e:/input/format", "e:/output" };
// 1 获取job对象
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);
// 2 设置jar包存储位置、关联自定义的mapper和reducer
job.setJarByClass(SequenceFileDriver.class);
job.setMapperClass(SequenceFileMapper.class);
job.setReducerClass(SequenceFileReducer.class);
// 7设置输入的inputFormat
job.setInputFormatClass(WholeFileInputformat.class);
// 8设置输出的outputFormat
job.setOutputFormatClass(SequenceFileOutputFormat.class);
// 3 设置map输出端的kv类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(BytesWritable.class);
// 4 设置最终输出端的kv类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(BytesWritable.class);
// 5 设置输入输出路径
Path input = new Path(args[0]);
Path output = new Path(args[1]);
// 如果输出路径存在则进行删除
FileSystem fs = FileSystem.get(conf);
if (fs.exists(output)) {
fs.delete(output,true);
}
FileInputFormat.setInputPaths(job, input);
FileOutputFormat.setOutputPath(job, output);
// 6 提交job
boolean result = job.waitForCompletion(true);
System.exit(result ? 0 : 1);
}
}