|
我们都知道，HDFS设计是用来存储海量数据的，特别适合存储TB、PB量级别的数据。但是随着时间的推移，HDFS上可能会存在大量的小文件，这里说的小文件指的是文件大小远远小于一个HDFS块（128MB）的大小；HDFS上存在大量的小文件至少会产生以下影响：消耗NameNode大量的内存延长MapReduce作业的总运行时间本文将介绍如何在MapReduce作业层面上将大量的小文件合并，以此减少运行作业的Map Task的数量；关于如何在HDFS上合并这些小文件，请参见《Hadoop小文件优化》。Hadoop内置提供了一个CombineFileInputFormat类来专门处理小文件，其核心思想是：根据一定的规则，将HDFS上多个小文件合并到一个InputSplit中，然后会启用一个Map来处理这里面的文件，以此减少MR整体作业的运行时间。CombineFileInputFormat类继承自FileInputFormat，主要重写了ListgetSplits(JobContext job)方法；这个方法会根据数据的分布，mapreduce.input.fileinputformat.split.minsize.per.node、mapreduce.input.fileinputformat.split.minsize.per.rack以及mapreduce.input.fileinputformat.split.maxsize参数的设置来合并小文件，并生成List。其中mapreduce.input.fileinputformat.split.maxsize参数至关重要：如果用户没有设置这个参数（默认就是没设置），那么同一个机架上的所有小文件将组成一个InputSplit，最终由一个Map Task来处理；如果用户设置了这个参数，那么同一个节点（node）上的文件将会组成一个InputSplit。同一个InputSplit包含了多个HDFS块文件，这些信息存储在CombineFileSplit类中，它主要包含以下信息：从上面的定义可以看出，CombineFileSplit类包含了每个块文件的路径、起始偏移量、相对于原始偏移量的大小以及这个文件的存储节点，因为一个CombineFileSplit包含了多个小文件，所以需要使用数组来存储这些信息。CombineFileInputFormat是抽象类，如果我们要使用它，需要实现createRecordReader方法，告诉MR程序如何读取组合的InputSplit。内置实现了两种用于解析组合InputSplit的类：org.apache.hadoop.mapreduce.lib.input.CombineTextInputFormat和org.apache.hadoop.mapreduce.lib.input.CombineSequenceFileInputFormat，我们可以把这两个类理解是TextInputFormat和SequenceFileInputFormat。为了简便，这里主要来介绍CombineTextInputFormat。在CombineTextInputFormat中创建了org.apache.hadoop.mapreduce.lib.input.CombineFileRecordReader，具体如何解析CombineFileSplit中的文件主要在CombineFileRecordReader中实现。CombineFileRecordReader类中其实封装了TextInputFormat的RecordReader，并对CombineFileSplit中的多个文件循环遍历并读取其中的内容，初始化每个文件的RecordReader主要在initNextRecordReader里面实现；每次初始化新文件的RecordReader都会设置mapreduce.map.input.file、mapreduce.map.input.length以及mapreduce.map.input.start参数，这样我们可以在Map程序里面获取到当前正在处理哪个文件。现在我们就来看看如何使用CombineTextInputFormat类，如下：packagecom.iteblog.hadoop.examples;importorg.apache.commons.logging.Log;importorg.apache.commons.logging.LogFactory;importorg.apache.hadoop.conf.Configuration;importorg.apache.hadoop.conf.Configured;importorg.apache.hadoop.fs.Path;importorg.apache.hadoop.io.LongWritable;importorg.apache.hadoop.io.Text;importorg.apache.hadoop.mapreduce.InputSplit;importorg.apache.hadoop.mapreduce.Job;importorg.apache.hadoop.mapreduce.MRJobConfig;importorg.apache.hadoop.mapreduce.Mapper;importorg.apache.hadoop.mapreduce.lib.input.CombineTextInputFormat;importorg.apache.hadoop.mapreduce.lib.input.FileInputFormat;importorg.apache.hadoop.mapreduce.lib.output.FileOutputFormat;importorg.apache.hadoop.mapreduce.lib.output.TextOutputFormat;importorg.apache.hadoop.util.Tool;importorg.apache.hadoop.util.ToolRunner;importjava.io.IOException;importjava.util.List;/////////////////////////////////////////////////////////////////////User: 过往记忆Date:2017-04-25Time:22:59bolg: https://www.iteblog.com本文地址：https://www.iteblog.com/archives/2139过往记忆博客，专注于hadoop、hive、spark、shark、flume的技术博客，大量的干货过往记忆博客微信公共帐号：iteblog_hadoop/////////////////////////////////////////////////////////////////////publicclass<spanclass="wp_keywordlink_affiliate"><a href="https://www.iteblog.com/archives/tag/hadoop/"title=""target="_blank"data-original-title="View all posts in Hadoop">Hadoop</a></span>TestextendsConfiguredimplementsTool
{privatestaticfinalLog LOG = LogFactory.getLog(HadoopTest.class);privatestaticfinallongONE_MB =1024* 1024L;staticclassTextFileMapperextendsMapper<longwritable , Text, Text, Text> {@Overrideprotectedvoidmap(LongWritable key, Text value, Context context)throwsIOException, InterruptedException {Configuration configuration = context.getConfiguration();LOG.warn("#######################"+ configuration.get(MRJobConfig.MAP_INPUT_FILE));Text filenameKey =newText(configuration.get(MRJobConfig.MAP_INPUT_FILE));context.write(filenameKey, value);}}publicstaticvoidmain(String[] args)throwsException {intexitCode = ToolRunner.run(newHadoopTest(), args);System.exit(exitCode);}@Overridepublicintrun(String[] args)throwsException {Configuration conf =newConfiguration(getConf());conf.set("mapreduce.input.fileinputformat.split.maxsize", ONE_MB *32);Job job = Job.getInstance(conf);FileInputFormat.setInputPaths(job, args[0]);FileOutputFormat.setOutputPath(job,newPath(args[1]));job.setJarByClass(HadoopTest.class);job.setInputFormatClass(CombineTextInputFormat.class);job.setOutputFormatClass(TextOutputFormat.class);job.setOutputKeyClass(Text.class);job.setOutputValueClass(Text.class);job.setMapperClass(TextFileMapper.class);returnjob.waitForCompletion(true) 0:1;}}上面的程序很简单，其实就是将HDFS上多个小文件合并到大文件中，并再每行存储了这行数据的文件路径。程序运行的结果如下：可以看到最终结果将三个文件里面的内容合并到一个文件中。注意体会mapreduce.input.fileinputformat.split.maxsize参数的设置，大家可以不设置这个参数并且和设置这个参数运行情况对比，观察Map Task的个数变化。
|