Hadoop入门教程（十三）：Hadoop MapReduce 的切片与并行

在前面《Hadoop入门教程（十一）：编程的方式使用 MapReduce 实现 WordCount 案例》中我们使用编程的方式体验了 MapReduce，MapReduce 的工作流程大概是下面这样的：

• InputFormat：将文件整理成[K,V]值

• Shuffle：将同Key的数据合并整理

• OutputFormat：把[K,V]值输出

InputFormat数据输入

InputFormat 需要将文件整理成[K,V]值，而文件又以数据库块 Block 存储在各个集群节点上，那么它如何能做到高效处理呢？那就需要将文件切分给各个节点并行执行任务。

怎么切片

之前的文章中讲过一个数据库块 Block 默认的大小是 128M，说明文件都是以 128M 一块分布在集群的各个节点上，那我们如何切片才能提高效率呢？

平均分？加入有一个 300M 的文件需要处理，平均分成 3个 100M 处理？看似好像这样负载在各个节点很均衡，但其实不然，因为：

第一个数据库块 Block 切分 100M 以后剩余 28M，需要传给第二个节点，第二个节点 28M+128M 再切 100M 剩余 56M 又需要传输给下一个节点，这就增加了大量的 网络IO，而网络带宽也是十分宝贵的资源，不但浪费网络还会增加任务处理时间。

所以默认就是一个一个数据库块 Block 的大小作为切片大小，任务的Map阶段在客户端提交任务时，就做好了数据切片的规划，这个可以在源码中看到，我列一下我跟踪的路线：

先是 job.waitForCompletion(true)，然后到达 org.apache.hadoop.mapreduce.Job#waitForCompletion，在里面有 this.submit()，到达 org.apache.hadoop.mapreduce.Job#submit，里面又执行了一句：

this.status = (JobStatus)this.ugi.doAs(new PrivilegedExceptionAction<JobStatus>() {
public JobStatus run() throws IOException, InterruptedException, ClassNotFoundException {
return submitter.submitJobInternal(Job.this, Job.this.cluster);
}
});

主要是 submitter.submitJobInternal(Job.this, Job.this.cluster) 这句去到了：org.apache.hadoop.mapreduce.JobSubmitter#submitJobInternal，在这里面执行了一句：int maps = this.writeSplits(job, submitJobDir)，这个就是切片的代码了，maps就是我们要切成几片，启动几个 MapTask，继续下钻进去：

private int writeSplits(JobContext job, Path jobSubmitDir) throws IOException, InterruptedException, ClassNotFoundException {
JobConf jConf = (JobConf)job.getConfiguration();
int maps;
if (jConf.getUseNewMapper()) {
maps = this.writeNewSplits(job, jobSubmitDir);
} else {
maps = this.writeOldSplits(jConf, jobSubmitDir);
}
return maps;
}

里面执行了 maps = this.writeNewSplits(job, jobSubmitDir)，也就是 org.apache.hadoop.mapreduce.JobSubmitter#writeNewSplits，重点来啦，注意看里面的代码：

private <T extends InputSplit> int writeNewSplits(JobContext job, Path jobSubmitDir) throws IOException, InterruptedException, ClassNotFoundException {
Configuration conf = job.getConfiguration();
InputFormat<?, ?> input = (InputFormat)ReflectionUtils.newInstance(job.getInputFormatClass(), conf);
List<InputSplit> splits = input.getSplits(job);
T[] array = (InputSplit[])((InputSplit[])splits.toArray(new InputSplit[splits.size()]));
Arrays.sort(array, new JobSubmitter.SplitComparator());
JobSplitWriter.createSplitFiles(jobSubmitDir, conf, jobSubmitDir.getFileSystem(conf), array);
return array.length;
}

里面这句 List<InputSplit> splits = input.getSplits(job)，就是关键内容，执行了 org.apache.hadoop.mapreduce.InputFormat#getSplits，也就是说 InputFormat 提供了切片的方法，这就引入了我们开篇的结构，我们需要进一步了解 InputFormat 的相关知识，完美回到主题，我都感觉快跑偏了。

org.apache.hadoop.mapreduce.InputFormat 是个抽象类，所以我们需要找它的实现，比较常见的就是对文件的操作，也就是 org.apache.hadoop.mapreduce.lib.input.FileInputFormat，他实现了这个接口，我们看看 FileInputFormat 的 getSplits，代码太多我就不粘了啊，直奔重点，里面执行了一句：long splitSize = computeSplitSize(blockSize, minSize, maxSize);，我们进去看看里面干嘛了：

protected long computeSplitSize(long blockSize, long minSize,
long maxSize) {
return Math.max(minSize, Math.min(maxSize, blockSize));
}

这是啥意思呢？看名字，我们能猜出来，是最小、最大和块大小，最大和块大小之间取最小值，肯定就是块大小，对吧，它不可能超过最大值，然后就是最小值和块大小之间取最大值，那肯定也是块大小，块大小不可能小于最小值吧，所以其实就是取了三个数之间中间的那个值。

说了这么多其实就是想给大家说明 InputFormat 干了什么，它也很重要，既然 Hadoop 的 InputFormat 是个抽象类，那意味着什么？是的，我们可以写自己的 InputFormat！

自定义 InputFormat

官方的 InputFormat 我就不再赘述了，大家可以直接看看源码，网上一搜也有。

org.apache.hadoop.mapreduce.InputFormat 其实就两步，getSplits 负责切片，createRecordReader 负责转换成 Mappe r接收的[K,V]值。

由于是入门级的教程，我就不深入探究了，就给大家简单演示一下，更深入的玩法还需要自己去研究。

本文源码公开在：https://github.com/renfei/demo/tree/master/hadoop/hadoop_api/src/main/java/net/renfei/hadoop/inputformat

偷个懒，为了更快的实现自定义 InputFormat，继承 FileInputFormat 来一个，首先新建一个 DemoInputFormat，继承 FileInputFormat，这个时候我们需要重写 createRecordReader 方法：

public class DemoInputFormat extends FileInputFormat<Text, BytesWritable> {
@Override
public RecordReader createRecordReader(InputSplit split, TaskAttemptContext context) throws IOException, InterruptedException {
return new DemoRecordReader();
}
}

这里我们还需要一个 RecordReader，再新建一个类 DemoRecordReader：

public class DemoRecordReader extends RecordReader<Text, BytesWritable> {
private boolean readed = false;
private Text key = new Text();
private BytesWritable value = new BytesWritable();
private FileSplit fileSplit;
private FSDataInputStream inputStream;
/**
* 初始化方法，初始化的时候会被调用一次
*
* @param split
* @param context
* @throws IOException
* @throws InterruptedException
*/
@Override
public void initialize(InputSplit split, TaskAttemptContext context) throws IOException, InterruptedException {
// 切片类型转为文件切片
// 此处强转 FileSplit 是因为 net.renfei.hadoop.inputformat.DemoInputFormat 继承了 org.apache.hadoop.mapreduce.lib.input.FileInputFormat
fileSplit = (FileSplit) split;
// 获取切片路径
Path path = fileSplit.getPath();
// 通过路径获取文件系统
FileSystem fileSystem = path.getFileSystem(context.getConfiguration());
// 打开文件流
inputStream = fileSystem.open(path);
}
/**
* 读取下一组 KV 值
*
* @return
* @throws IOException
* @throws InterruptedException
*/
@Override
public boolean nextKeyValue() throws IOException, InterruptedException {
if (readed) {
return false;
} else {
// 读取数据
// 读 Key，因为是演示，Text 也就是 Key 我们就取文件路径了，没什么意义
key.set(fileSplit.getPath().toString());
// 读 Value，直接一次读取完，所以是 fileSplit.getLength()
byte[] buf = new byte[(int) fileSplit.getLength()];
inputStream.read(buf);
value.set(buf, 0, buf.length);
readed = true;
return true;
}
}
/**
* 获取当前读取到的Key
*
* @return
* @throws IOException
* @throws InterruptedException
*/
@Override
public Text getCurrentKey() throws IOException, InterruptedException {
return key;
}
/**
* 读取当前的Value
*
* @return
* @throws IOException
* @throws InterruptedException
*/
@Override
public BytesWritable getCurrentValue() throws IOException, InterruptedException {
return value;
}
/**
* 当前数据读取的进度
*
* @return
* @throws IOException
* @throws InterruptedException
*/
@Override
public float getProgress() throws IOException, InterruptedException {
return readed ? 1 : 0;
}
/**
* 关闭资源
*
* @throws IOException
*/
@Override
public void close() throws IOException {
IOUtils.closeStream(inputStream);
}
}

创建一个 Driver 类：

public class DemoDriver {
/**
* 程序入口
*
* @param args
*/
public static void main(String[] args) throws IOException {
Job job = Job.getInstance(new Configuration());
job.setJarByClass(DemoDriver.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(BytesWritable.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(BytesWritable.class);
// 设置使用我们自定义的 DemoInputFormat
job.setInputFormatClass(DemoInputFormat.class);
// 因为 DemoInputFormat 继承了 FileInputFormat，所以可以使用 FileInputFormat 设置
FileInputFormat.setInputPaths(job, new Path("/Users/renfei/Downloads/demo.txt"));
FileOutputFormat.setOutputPath(job, new Path("/Users/renfei/Downloads/demoout"));
}
}