MapReduce切片与文件输入格式

MapReduce切片

MapReduce的并行度决定了Map阶段任务的并发度，但是MapTask的并行任务并不是越多越好。MapTask的并行度由切片数量决定，切片是MapReduce程序输入数据的单位，一个切片会对应一个MapTask。数据切片只是逻辑上对输入进行分片处理，不会在磁盘上对其切分成片进行处理。

FileInputFormat切片源码解析

1. 找到数据存储的目录，遍历每一个文件
2. 获取文件大小
3. 计算切片大小：computeSplitSize()方法，计算公式为Max(minSize,min(maxSize, blockSize)) = blockSize，所以默认是block大小，要调整切片大小，可以修改maxSize和minSize，比如将maxSize调到比blockSize小，则切片大小比blockSize小，将minSize调到比blockSize大，则切片大小比blockSize大。
4. 按照切片大小进行切片，每次切片时，都会片段剩下的文件是否大于切片的1.1倍，如果不大于则在一个切片中
5. 将切片信息写到一个切片规划文件中，整个切片的核心过程在getSplit()方法中完成
6. InputSplit只记录了切片的元数据信息，比如起始位置、长度和所在的节点等。
7. 提交切片规划文件到YARN上，YARN上的MrAppMaster根据切片规划文件计算出开启的MapTask的个数。

获取切片信息的API：

TextInputFormat

FileInputFormat的常见实现接口：TextInputFormat、KeyValueTextInputFormat、NLineInputFormat、CombineTextInputFormat。其中TextInputFormat是FileInputFormat的默认实现，key是LongWritable类型，代表该行的起始字节偏移量，value是Text类型，代表该行内容。其他的实现也是见名知义，比如KeyValueTextInputFormat的key和value都是Text类型，每行按照某个指定的分隔符切割为key-value键值对的形式，NLineInputFormat与TextInputFormat类似，只不过可以一次读取多行，CombineTextInputFormat则可以一次读取多个文件，用于处理多个小文件的场景，可以将多个小文件放在一个逻辑切片中，提高效率。

CombineTextInputFormat

CombineTextInputFormat的最大切片设置：CombineTextInputFormat.setMaxInputSplitSize(job, 4194304)，即4M，但这并不意味着每个切片的最大大小真的就是4M，这涉及到一个虚拟存储的概念，即遇到一个大于4M的文件时，将其分为n份，使得每份小于4M，然后按照字典序排列依次相加，直到遇到大于4M则放入同一个切片中：

设置输出格式为CombineTextInputFormat:

// 如果不设置InputFormatClass，则默认为TextInputFormat.class
job.setInputFormatClass(CombineTextInputFormat.class);
// 设置切片最大值
CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);