Hadoop学习笔记二：MapReduce的IO类型 && 文件切片

1. 对MapReduce的理解

是什么：Hadoop默认自带的分布式计算框架

做什么：提供一系列接口(核心类：InputFormat、OutputFormat、Mapper、Reducer、Driver)，让用户能够实现自定义业务功能的分布式计算任务

【优点】：

• 高扩展性：计算资源不够，直接增加节点数量即可。质量可能不够，数量一定管够
• 高容错性：一个节点任务失败，能自动转移到其他空闲节点
• 适合大数据处理：得益于其扩展性，只要数量足够，能够计算TB级别的数据

【缺点】：

• 无法进行实时计算：太慢了！！！太慢了！！！
• 不擅长流式计算：MR的输入数据一般都是静态的，无法处理动态的输入格式
• 不擅长迭代计算：一个完整的MR计算过程一般为Mapper - Reducer - 写出结果，频繁的迭代计算将要启动多组MR并串联，而每次MR的结果都是会以文件的形式写出，给下一个MR组输入的话又得重新读取，太过繁琐

【个人总结】：

个人认为，MR程序的缺点总结的话就是一点，IO过程太多了。首先map阶段输入需要从HDFS中读取数据(这个过程已经是比较慢的了)，然后map阶段业务完成后写出数据(一次IO)，而reduce阶段的输入首先得从map节点读取已经写出的结果文件(可能是网络IO)，读到reduce节点后如果结果集太大又会写到磁盘(又一次IO)，最后才是主要的reduce过程，最后结果仍然是写回磁盘......一组MR的执行，可能要涉及到同节点、异节点的多次IO，如果用来做机器学习之类的复杂迭代计算，可能IO时间比核心业务时间更长，因此MR适合做一些一次性、单步骤、大量级的计算。

2. Mapper & Reducer编程需要注意的点

• map() 方法是对每个<K, V>键值对调用一次
• reduce() 方法是对每个key调用一次，每个key可能对应多个value，其中value封装为迭代器对象
• 不要导错包！！！不要导错包！！！不要导错包！！! 血泪的踩坑之旅 -- mapred(老版本，不用） -- mapreduce(用它！)

3. MR的切片

【什么是切片？】

MR要进行计算，就必须要有输入，而MR是分布式计算模式，因此对于数据量较大的计算，就会启动多个Mapper和Reducer(Reducer数目一般都会远小于Mapper)，而作为第一道环节，多个Mapper都接受完整的数据集，那分布式完全就没有意义了，因此在数据进入Mapper前，会首先进行逻辑切分，将整个数据集分成多份，每份送给一个Mapper进行处理。因此，切片数 = Mapper(MapTask) 的个数

【怎么切？】

第一种：根据文件大小切(默认切片方式) -- 附源码解析

• 根据参数得到SplitSize，即满足多大了就切一块，见源码解析
• 文件优先级 > 切片，即如果一个文件不够SplitSize，则直接作为一个切片，不是把所有文件当整体
• 一定要明确一点：这里的切片只是逻辑切片！！相当于隔一段给文件"打一个标记"，并不是真正物理上将数据文件划分为几份。实际上Client端做的分片仅仅是提交job.split信息，即将这些标记发送给MR，Map阶段每个Mapper将会根据这些标记去读取各自被分配的那部分数据

protected long getFormatMinSplitSize() { 
    return 1L; 
}
// 获取最小切片大小 -- 默认为 1
public static long getMinSplitSize(JobContext job) { 
    return job.getConfiguration().getLong("mapreduce.input.fileinputformat.split.minsize", 1L);
}

// 获取最大切片大小 -- 默认为Long.MAX
public static long getMaxSplitSize(JobContext context) {
    return context.getConfiguration().getLong("mapreduce.input.fileinputformat.split.maxsize", 9223372036854775807L);
    }

// ......(此处省略一万行代码)

if (this.isSplitable(job, path)) {
    long blockSize = file.getBlockSize();
    // 实际切片的大小 -- computeSplitSize函数见下
    long splitSize = this.computeSplitSize(blockSize, minSize, maxSize);

    long bytesRemaining;
    int blkIndex;
    // 如果剩下的文件大于 1.1 * SplitSize，那么继续切分；否则直接作为一个分片； 防止出现过小文件
    for(bytesRemaining = length; (double)bytesRemaining / (double)splitSize > 1.1D; bytesRemaining -= splitSize) {
        blkIndex = this.getBlockIndex(blkLocations, length - bytesRemaining);
        splits.add(this.makeSplit(path, length - bytesRemaining, splitSize, blkLocations[blkIndex].getHosts(), blkLocations[blkIndex].getCachedHosts()));
    }
    
// ......(此处省略一万行代码)

// 核心公式
protected long computeSplitSize(long blockSize, long minSize, long maxSize) {
    // 默认情况下就是块文件的大小 -- 128M
        return Math.max(minSize, Math.min(maxSize, blockSize));
}

第二种：根据文件行数切

• 相当于将评判标准从文件大小换成了行数，设置多少行为一个切片
• 同样不会跨文件切

第三种：消灭小文件切法

当有大量小文件时，如果用上面两种机制，则会导致切片很多，启用非常多的Mapper，资源利用率极低，因此设置了一种切片方式专门用于小文件过多的场景

重要参数： CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);// 默认4m

• Step1：虚拟存储，机制见伪代码

if (文件A.size() <= MaxInputSplitSize){
    A文件不做处理，直接为一个虚拟文件;
}else if(文件A.size() <= MaxInputSplitSize * 2){
    A平均切分为两个等大小的虚拟文件[A1，A2];
}else{
    A切掉大小为MaxInputSplitSize的一块，剩下的部分继续判断;
}

• Step2：重新切片

if(文件B1 >= MaxInputSplitSize){
    B1作为一个切片;
}else{
    B1等待和下一个虚拟文件合并;
    if(合并后的大小 >= MaxInputSplitSize){
        合并文件成为一个切片;
    }else{
        继续等待合并;
    }
}

4. MR常用的输入类型

全部都是继承了FileInputFormat抽象类，如果自定义输入类型，需要继承该抽象类并重写RecordReader方法(实现具体自定义读的逻辑)

InputFormat	Split_Type	Key -- Type	Value -- Type
TextInputFormat	按文件大小切(默认)	每行偏移量offset <LongWritable>	该行文本<Text>
NLineInputFormat	按固定行数切	每行偏移量offset <LongWritable>	该行文本<Text>
CombineTextInputFormat	消灭小文件切法	每行偏移量offset <LongWritable>	该行文本<Text>
KeyValueInputFormat	按文件大小切(默认)	每行Split后的field[0] <Text>	field[0] <Text>

这四种主要的输入类型都是按行读取数据，每一行会形成一个KV对，调用一次map方法

【千万别忘了！！！】

除了默认输入格式，其他三种输入格式都需要在Driver类中设置相关参数：

// 设置Job的输入类型
job.setInputFormatClass(......)

// 对于NLineInputFormat，要设置多少行一个切片
NLineInputFormat.setNumLinesPerSplit(job, 3);

// 对于CombineTextInputFormat要设置最大切片大小
CombineTextInputFormat.setMaxInputSplitSize(job, 4194304); // 默认4m

// 对于KeyValueInputFormat要指定对应的分隔符 -- 每行的Key和Value用什么分割的
// 特别注意：这个参数是在Configuration中进行设置的！！
conf.set(KeyValueLineRecordReader.KEY_VALUE_SEPERATOR, "\t");  // 以制表符分割

5. MR常用的输出类型

同理，MR的输出类型(Reducer写出的文件类型)也都继承了FileOutputFormat类，同样支持自定义输出格式，需要继承FileOutputFormat类并重写RecordWriter方法

OutputFormat	Description
TextOutputFormat	Reducer的结果直接以字符串格式按行写出
SequenceFileOutputFormat	Reducer的结果按照KV键值对格式写出的序列化文件

SequenceFileOutputFormat中写入的是Reducer输出的键值对，且进行了序列化，因此更方便进行压缩；此外，一个MR流程得到的结果如果是SequenceFileOutputFormat格式写出，那么该结果能够很便利地作为下一个MR流程的输入，因为已经序列化封装好了KV对，作为输入时只需要进行反序列化读入就可以了

PS

思否什么时候能够支持自定义字体颜色！！！好想记出五颜六色而又骚气的笔记......o(╥﹏╥)o