MapReduce Application中mapper的數目和分片的數目

時間 2019-11-18

標籤 mapreduce application mapper 數目分片欄目 Hadoop 简体版

原文原文鏈接

問題 MapReduce Application中mapper的數目和分片的數目是同樣的

默認狀況下，分片和輸入文件的分塊數是相等的。也不徹底相等，若是block size大小事128M，文件大小爲128.1M，文件的block數目爲2，可是application運行過程當中，你會發現分片數目是1，而不是2，其中的機理，後面會分析html
有的程序會設置map的數目，那麼map數目是怎樣影響分片的數目的呢？java
若是文件大小爲0，是否會做爲一個分片傳給map任務？
node

流程
FileInputFormat.getSplits返回文件的分片數目，這部分將介紹其運行流程，後面將粘貼其源碼並給出註釋

經過listStatus()獲取輸入文件列表files，其中會遍歷輸入目錄的子目錄，並過濾掉部分文件，如文件_SUCCESSexpress
獲取全部的文件大小totalSIzeapp
goalSIze=totalSize/numMaps。numMaps是用戶指定的map數目ide
files中取出一個文件fileoop
計算splitSize。splitSize=max(minSplitSize,min(file.blockSize,goalSize))，其中minSplitSize是容許的最小分片大小，默認爲1Bui
後面根據splitSize大小將file分片。在分片的時候，若是剩餘的大小不大於splitSize*1.1，且大於0B的時候，會將該區域整個做爲一個分片。這樣作是爲了防止一個mapper處理的數據過小this
將file的分片加入到splits中spa
返回4，直到將files遍歷完
結束，返回splits

源碼(hadoop2.2.0)

其實流程算起來也不算複雜，因此就直接用代碼註釋來作吧

這裏邊涉及這麼幾個方法：

一、public List<InputSplit> getSplits(JobContext job), 這個由客戶端調用來得到當前Job的全部分片(split)，而後發送給JobTracker（新API中應該是ResourceManager），而JobTracker根據這些分片的存儲位置來給TaskTracker分配map任務去處理這些分片。這個方法用到了後邊的listStatus，而後根據獲得的這些文件信息，從FileSystem那裏去拉取這些組成這些文件的塊的信息(BlockLocation)，使用的是getFileBlockLocation(file,start,len)，這個方法是與使用的文件系統實現相關的(FileSystem，LocalFileSystem，DistributedFileSystem)

/** 
   * Generate the list of files and make them into FileSplits.
   * @param job the job context
   * @throws IOException
   */
  public List<InputSplit> getSplits(JobContext job) throws IOException {
    long minSize = Math.max(getFormatMinSplitSize(), getMinSplitSize(job));
    long maxSize = getMaxSplitSize(job);

    // generate splits
    List<InputSplit> splits = new ArrayList<InputSplit>();
    List<FileStatus> files = listStatus(job);
    for (FileStatus file: files) {
      Path path = file.getPath();
      long length = file.getLen();
      if (length != 0) {
        BlockLocation[] blkLocations;
        if (file instanceof LocatedFileStatus) {
          blkLocations = ((LocatedFileStatus) file).getBlockLocations();
        } else {
          FileSystem fs = path.getFileSystem(job.getConfiguration());
          blkLocations = fs.getFileBlockLocations(file, 0, length);
        }
        if (isSplitable(job, path)) {
          long blockSize = file.getBlockSize();
          long splitSize = computeSplitSize(blockSize, minSize, maxSize);

          long bytesRemaining = length;
          while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {
            int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
            splits.add(makeSplit(path, length-bytesRemaining, splitSize,
                                     blkLocations[blkIndex].getHosts()));
            bytesRemaining -= splitSize;
          }

          if (bytesRemaining != 0) {
            int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
            splits.add(makeSplit(path, length-bytesRemaining, bytesRemaining,
                       blkLocations[blkIndex].getHosts()));
          }
        } else { // not splitable
          splits.add(makeSplit(path, 0, length, blkLocations[0].getHosts()));
        }
      } else { 
        //Create empty hosts array for zero length files
        splits.add(makeSplit(path, 0, length, new String[0]));
      }
    }
    // Save the number of input files for metrics/loadgen
    job.getConfiguration().setLong(NUM_INPUT_FILES, files.size());
    LOG.debug("Total # of splits: " + splits.size());
    return splits;
  }

二、protected List<FileStatus> listStatus(JobContext job), 先根據「mapred.input.dir」的配置值去獲得用戶指定的全部Path。而後根據這個JobContext的Configuration獲得FileSystem(固然，更多是 DistributedFileSystem )。最後應用用戶可能設置了的PathFilter，經過FileSystem獲取全部這些Path所表明的File(FileStatus)。注：這個方法的東西至關多，不少內容還十分陌生。

/** List input directories.
   * Subclasses may override to, e.g., select only files matching a regular
   * expression. 
   * 
   * @param job the job to list input paths for
   * @return array of FileStatus objects
   * @throws IOException if zero items.
   */
  protected List<FileStatus> listStatus(JobContext job
                                        ) throws IOException {
    List<FileStatus> result = new ArrayList<FileStatus>();
    Path[] dirs = getInputPaths(job);
    if (dirs.length == 0) {
      throw new IOException("No input paths specified in job");
    }
    
    // get tokens for all the required FileSystems..
    TokenCache.obtainTokensForNamenodes(job.getCredentials(), dirs, 
                                        job.getConfiguration());

    // Whether we need to recursive look into the directory structure
    boolean recursive = getInputDirRecursive(job);
    
    List<IOException> errors = new ArrayList<IOException>();
    
    // creates a MultiPathFilter with the hiddenFileFilter and the
    // user provided one (if any).
    List<PathFilter> filters = new ArrayList<PathFilter>();
    filters.add(hiddenFileFilter);
    PathFilter jobFilter = getInputPathFilter(job);
    if (jobFilter != null) {
      filters.add(jobFilter);
    }
    PathFilter inputFilter = new MultiPathFilter(filters);
    
    for (int i=0; i < dirs.length; ++i) {
      Path p = dirs[i];
      FileSystem fs = p.getFileSystem(job.getConfiguration()); 
      FileStatus[] matches = fs.globStatus(p, inputFilter);
      if (matches == null) {
        errors.add(new IOException("Input path does not exist: " + p));
      } else if (matches.length == 0) {
        errors.add(new IOException("Input Pattern " + p + " matches 0 files"));
      } else {
        for (FileStatus globStat: matches) {
          if (globStat.isDirectory()) {
            RemoteIterator<LocatedFileStatus> iter =
                fs.listLocatedStatus(globStat.getPath());
            while (iter.hasNext()) {
              LocatedFileStatus stat = iter.next();
              if (inputFilter.accept(stat.getPath())) {
                if (recursive && stat.isDirectory()) {
                  addInputPathRecursively(result, fs, stat.getPath(),
                      inputFilter);
                } else {
                  result.add(stat);
                }
              }
            }
          } else {
            result.add(globStat);
          }
        }
      }
    }

    if (!errors.isEmpty()) {
      throw new InvalidInputException(errors);
    }
    LOG.info("Total input paths to process : " + result.size()); 
    return result;
  }

三、protected long computeSplitSize(long blockSize, long minSize, long maxSize),計算出當前Job所配置的分片最大尺寸。

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

四、protected int getBlockIndex(BlockLocation[] blkLocations, long offset), 因爲組成文件的塊的信息已經得到了，只須要根據offset來計算所在的那個塊就好了。

  protected int getBlockIndex(BlockLocation[] blkLocations, 
                              long offset) {
    for (int i = 0 ; i < blkLocations.length; i++) {
      // is the offset inside this block?
      if ((blkLocations[i].getOffset() <= offset) &&
          (offset < blkLocations[i].getOffset() + blkLocations[i].getLength())){
        return i;
      }
    }
    BlockLocation last = blkLocations[blkLocations.length -1];
    long fileLength = last.getOffset() + last.getLength() -1;
    throw new IllegalArgumentException("Offset " + offset + 
                                       " is outside of file (0.." +
                                       fileLength + ")");
  }

轉自:MapReduce獲取分片數, Hadoop中FileInputFormat計算InputSplit的getSplits方法的流程