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"));
    }
}