问题
MapReduce Application中mapper的数目和分片的数目是一样的，可是分片数目和什么有关呢？
- 默认情况下。分片和输入文件的分块数是相等的。也不全然相等，假设block size大小事128M，文件大小为128.1M，文件的block数目为2。可是application执行过程中。你会发现分片数目是1，而不是2，当中的机理，后面会分析
- 有的程序会设置map的数目，那么map数目是如何影响分片的数目的呢？
- 假设文件大小为0，是否会作为一个分片传给map任务？
流程
FileInputFormat.getSplits返回文件的分片数目，这部分将介绍其执行流程，后面将粘贴其源代码并给出凝视
- 通过listStatus()获取输入文件列表files，当中会遍历输入文件夹的子文件夹，并过滤掉部分文件。如文件_SUCCESS
- 获取全部的文件大小totalSIze
- goalSIze=totalSize/numMaps。
numMaps是用户指定的map数目
- files中取出一个文件file
- 计算splitSize。splitSize=max(minSplitSize,min(file.blockSize,goalSize))，当中minSplitSize是同意的最小分片大小。默觉得1B
- 后面依据splitSize大小将file分片。在分片的时候，假设剩余的大小不大于splitSize*1.1，且大于0B的时候。会将该区域整个作为一个分片。
这样做是为了防止一个mapper处理的数据太小
- 将file的分片增加到splits中
- 返回4。直到将files遍历完
- 结束。返回splits
源代码
public InputSplit[] getSplits(JobConf job, int numSplits)
throws IOException {
//获取输入文件列表files，当中会遍历输入文件夹的子文件夹，并过滤掉部分文件，如文件_SUCCESS
FileStatus[] files = listStatus(job);
// Save the number of input files for metrics/loadgen
job.setLong(NUM_INPUT_FILES, files.length);
long totalSize = 0; // compute total size
for (FileStatus file: files) { // check we have valid files
if (file.isDirectory()) {
throw new IOException("Not a file: "+ file.getPath());
}
totalSize += file.getLen();
}
/*
* numSplits为设置的map数目
* 期待的分片大小
*/
long goalSize = totalSize / (numSplits == 0 ? 1 : numSplits);
/*
* FileInputFormat.SPLIT_MINSIZE为參数值：mapreduce.input.fileinputformat.split.minsize，默觉得0
* minSplitSize默觉得1
*/
long minSize = Math.max(job.getLong(org.apache.hadoop.mapreduce.lib.input.
FileInputFormat.SPLIT_MINSIZE, 1), minSplitSize);
// generate splits
ArrayList<FileSplit> splits = new ArrayList<FileSplit>(numSplits);
NetworkTopology clusterMap = new NetworkTopology();
for (FileStatus file: files) {
Path path = file.getPath();
long length = file.getLen();
if (length != 0) {
FileSystem fs = path.getFileSystem(job);
BlockLocation[] blkLocations;
if (file instanceof LocatedFileStatus) {
blkLocations = ((LocatedFileStatus) file).getBlockLocations();
} else {
blkLocations = fs.getFileBlockLocations(file, 0, length);
}
if (isSplitable(fs, path)) {
long blockSize = file.getBlockSize();
/*
* 计算分片的大小，每个文件都要计算一次
*computeSplitSize的计算公式为 Math.max(minSize, Math.min(goalSize, blockSize));
*/
long splitSize = computeSplitSize(goalSize, minSize, blockSize);
long bytesRemaining = length;
while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {
String[] splitHosts = getSplitHosts(blkLocations,
length-bytesRemaining, splitSize, clusterMap);
splits.add(makeSplit(path, length-bytesRemaining, splitSize,
splitHosts));
bytesRemaining -= splitSize;
}
if (bytesRemaining != 0) {
String[] splitHosts = getSplitHosts(blkLocations, length
- bytesRemaining, bytesRemaining, clusterMap);
splits.add(makeSplit(path, length - bytesRemaining, bytesRemaining,
splitHosts));
}
} else {
String[] splitHosts = getSplitHosts(blkLocations,0,length,clusterMap);
splits.add(makeSplit(path, 0, length, splitHosts));
}
} else {
//Create empty hosts array for zero length files
splits.add(makeSplit(path, 0, length, new String[0]));
}
}
LOG.debug("Total # of splits: " + splits.size());
return splits.toArray(new FileSplit[splits.size()]);
}
总结
看源代码还是非常实用的。非常多时候，博客或者书介绍的不是非常中肯，或者会有错误。看源代码就不会出现这些问题。
