首页 > 代码库 > hadoop old API CombineFileInputFormat

hadoop old API CombineFileInputFormat

来自:http://f.dataguru.cn/thread-271645-1-1.html

简介

本文主要介绍下面4个方面

1.为什么要使用CombineFileInputFormat

2.CombineFileInputFormat实现原理

3.怎样使用CombineFileInputFormat

4.现存的问题

 

使用CombineFileInputFormat的目的

在开发MR的程序时,mapper的主要作用是对数据的收集。一般情况下,为了能让mapper更快的运行,我们会对文件进行split,以便多个mapper同时运行。在这种情况下,为了让程序更好更快的运行,我们需要控制mapper的个数。Mapper的个数主要由文件的大小及我们所设置的mapred.min.split.size以及blockSize所决定(详细参考:http://ai-longyu.iteye.com/blog/1566633

上面所说的在我们使用TextInputFormat和分析单个文件时是没有问题的,基本上mapper的个数能够控制在我们所预期的范围内。但是当我们使用多个文件作为input的时候,mapper的个数就不再是我们所期望的那样了,因为TextInputFormat继承的是FileInputFormat,而FileInputFormatsplit操作是只针对单个文件,对于多个文件,是将每个文件进行split,而不能做一些合并的操作(尤其是大量的小文件)。

 

你会想为什么不能进行合并呢,有没有实现合并的split呢?在这个时候,CombineFileInputFormat就闪亮登场了。这里所说的CombineFileInputFormat是由官方提供的,只要我们搞清楚了官方是怎么实现的,就能够自己也实现一个了。接下来将逐步分析CombineFileInputFormat的实现了。



CombineFileInputFormat实现步骤

这里插一句,官方的CombineFileInputFormat并不是线程安全的。

先申明一下,这里分析所采用的源码是apache的1.0.3,分析的在org.apache.hadoop.mapred.lib.CombineFileInputFormat而不是org.apache.hadoop.mapreduce.lib.input.CombineFileInputFormat,这里分析的旧API,而没有分析新的API

 

生成split的信息是由

  • public InputSplit[] getSplits(JobConf job, int numSplits)  

 

Job参数:job的配置信息

numSplits参数:期望的mapper数目,在这里根本就没有使用

  • //每个DN的最小split大小
  • long minSizeNode = 0;
  • //同机架的最小split大小
  • long minSizeRack = 0;
  • //最大的split大小
  • long maxSize = 0; 



这几个变量都可以从job的配置信息中获取

接下来就是获取input的路径列表,判断每个路径时候被Filter所允许,然后对允许的路径列表生成split信息列表,进入该类的核心方法

  • /**
  •   * Return all the splits in the specified set of paths
  •   *  
  • * @param job Job的配置信息
  • * @param paths 输入源的路径列表
  • * @param maxSize 最大的split大小
  • * @param minSizeNode 每个DN最小的split大小
  • * @param minSizeRack 每个rack最小的split大小
  • * @param splits split信息列表
  • * @throws IOException
  • */
  • private void getMoreSplits(JobConf job, Path[] paths,  
  •                             long maxSize, long minSizeNode, long minSizeRack,
  •                             List<CombineFileSplit> splits) 

 

生成每个文件的OneFileInfo对象

  • // populate all the blocks for all files
  •     long totLength = 0;
  •     for (int i = 0; i < paths.length; i++) {
  •         //构建每个input文件的信息,并将文件中的每个
  •         //block信息收集到rackToBlocks、blockToNodes、nodeToBlocks中
  •       files = new OneFileInfo(paths, job,  
  •                                  rackToBlocks, blockToNodes, nodeToBlocks);
  •       //增加所有文件的大小
  •       totLength += files.getLength();
  •     } 



在下面就开始真正的生成Split信息了



第一次:将同DN上的所有block生成Split,生成方式:



1.循环nodeToBlocks,获得每个DN上有哪些block

2.循环这些block列表

3.将block从blockToNodes中移除,避免同一个block被包含在多个split中

4.将该block添加到一个有效block的列表中,这个列表主要是保留哪些block已经从blockToNodes中被移除了,方便后面恢复到blockToNodes中

5.向临时变量curSplitSize增加block的大小

6.判断curSplitSize是否已经超过了设置的maxSize

a) 如果超过,执行并添加split信息,并重置curSplitSize和validBlocks

b) 没有超过,继续循环block列表,跳到第2步

7.当前DN上的block列表循环完成,判断剩余的block是否允许被split(剩下的block大小之和是否大于每个DN的最小split大小)

a) 如果允许,执行并添加split信息

b) 如果不被允许,将这些剩余的block归还blockToNodes

8.重置

9.跳到步骤1



  • // process all nodes and create splits that are local
  •     // to a node.  
  •     //创建同一个DN上的split
  •     for (Iterator<Map.Entry<String,  
  •          List<OneBlockInfo>>> iter = nodeToBlocks.entrySet().iterator();  
  •          iter.hasNext() {
  •       Map.Entry<String, List<OneBlockInfo>> one = iter.next();
  •       nodes.add(one.getKey());
  •       List<OneBlockInfo> blocksInNode = one.getValue();
  •       // for each block, copy it into validBlocks. Delete it from  
  •       // blockToNodes so that the same block does not appear in  
  •       // two different splits.
  •       for (OneBlockInfo oneblock : blocksInNode) {
  •         if (blockToNodes.containsKey(oneblock)) {
  •           validBlocks.add(oneblock);
  •           blockToNodes.remove(oneblock);
  •           curSplitSize += oneblock.length;
  •           // if the accumulated split size exceeds the maximum, then  
  •           // create this split.
  •           if (maxSize != 0 && curSplitSize >= maxSize) {
  •             // create an input split and add it to the splits array
  •             //创建这些block合并后的split,并将其split添加到split列表中
  •             addCreatedSplit(job, splits, nodes, validBlocks);
  •             //重置
  •             curSplitSize = 0;
  •             validBlocks.clear();
  •           }
  •         }
  •       }
  •       // if there were any blocks left over and their combined size is
  •       // larger than minSplitNode, then combine them into one split.
  •       // Otherwise add them back to the unprocessed pool. It is likely  
  •       // that they will be combined with other blocks from the same rack later on.
  •       //其实这里的注释已经说的很清楚,我再按照我的理解说一下
  •       /**
  •        * 这里有几种情况:
  •        * 1、在这个DN上还有没有被split的block,
  •        * 而且这些block的大小大于了在一个DN上的split最小值(没有达到最大值),
  •        * 将把这些block合并成一个split
  •        * 2、剩余的block的大小还是没有达到,将剩余的这些block
  •        * 归还给blockToNodes,等以后统一处理
  •        */
  •       if (minSizeNode != 0 && curSplitSize >= minSizeNode) {
  •         // create an input split and add it to the splits array
  •         addCreatedSplit(job, splits, nodes, validBlocks);
  •       } else {
  •         for (OneBlockInfo oneblock : validBlocks) {
  •           blockToNodes.put(oneblock, oneblock.hosts);
  •         }
  •       }
  •       validBlocks.clear();
  •       nodes.clear();
  •       curSplitSize = 0;
  •     } 


第二次:对不再同一个DN上但是在同一个Rack上的block进行合并(只是之前还剩下的block)



  • // if blocks in a rack are below the specified minimum size, then keep them
  •     // in ‘overflow‘. After the processing of all racks is complete, these overflow
  •     // blocks will be combined into splits.
  •     ArrayList<OneBlockInfo> overflowBlocks = new ArrayList<OneBlockInfo>();
  •     ArrayList<String> racks = new ArrayList<String>();
  •     // Process all racks over and over again until there is no more work to do.
  •     //这里处理的就不再是同一个DN上的block
  •     //同一个DN上的已经被处理过了(上面的代码),这里是一些
  •     //还没有被处理的block
  •     while (blockToNodes.size() > 0) {
  •       // Create one split for this rack before moving over to the next rack.  
  •       // Come back to this rack after creating a single split for each of the  
  •       // remaining racks.
  •       // Process one rack location at a time, Combine all possible blocks that
  •       // reside on this rack as one split. (constrained by minimum and maximum
  •       // split size).
  •       // iterate over all racks  
  •     //创建同机架的split
  •       for (Iterator<Map.Entry<String, List<OneBlockInfo>>> iter =  
  •            rackToBlocks.entrySet().iterator(); iter.hasNext() {
  •         Map.Entry<String, List<OneBlockInfo>> one = iter.next();
  •         racks.add(one.getKey());
  •         List<OneBlockInfo> blocks = one.getValue();
  •         // for each block, copy it into validBlocks. Delete it from  
  •         // blockToNodes so that the same block does not appear in  
  •         // two different splits.
  •         boolean createdSplit = false;
  •         for (OneBlockInfo oneblock : blocks) {
  •             //这里很重要,现在的blockToNodes说明的是还有哪些block没有被split
  •           if (blockToNodes.containsKey(oneblock)) {
  •             validBlocks.add(oneblock);
  •             blockToNodes.remove(oneblock);
  •             curSplitSize += oneblock.length;
  •       
  •             // if the accumulated split size exceeds the maximum, then  
  •             // create this split.
  •             if (maxSize != 0 && curSplitSize >= maxSize) {
  •               // create an input split and add it to the splits array
  •               addCreatedSplit(job, splits, getHosts(racks), validBlocks);
  •               createdSplit = true;
  •               break;
  •             }
  •           }
  •         }
  •         // if we created a split, then just go to the next rack
  •         if (createdSplit) {
  •           curSplitSize = 0;
  •           validBlocks.clear();
  •           racks.clear();
  •           continue;
  •         }
  •         //还有没有被split的block
  •         //如果这些block的大小大于了同机架的最小split,
  •         //则创建split
  •         //否则,将这些block留到后面处理
  •         if (!validBlocks.isEmpty()) {
  •           if (minSizeRack != 0 && curSplitSize >= minSizeRack) {
  •             // if there is a mimimum size specified, then create a single split
  •             // otherwise, store these blocks into overflow data structure
  •             addCreatedSplit(job, splits, getHosts(racks), validBlocks);
  •           } else {
  •             // There were a few blocks in this rack that remained to be processed.
  •             // Keep them in ‘overflow‘ block list. These will be combined later.
  •             overflowBlocks.addAll(validBlocks);
  •           }
  •         }
  •         curSplitSize = 0;
  •         validBlocks.clear();
  •         racks.clear();
  •       }
  •     } 


最后,对于既不在同DN也不在同rack的block进行合并(经过前两步还剩下的block),这里源码就没有什么了,就不再贴了


源码总结:

合并,经过了3个步骤。同DN----》同rack不同DN-----》不同rack

将可以合并的block写到同一个split中



使用自定义的CombineFileInputFormat

MultiFileCombineInputFormat


  • package org.rollinkin.hadoop;
  • import java.io.IOException;
  • import org.apache.hadoop.io.LongWritable;
  • import org.apache.hadoop.io.Text;
  • import org.apache.hadoop.mapred.InputSplit;
  • import org.apache.hadoop.mapred.JobConf;
  • import org.apache.hadoop.mapred.RecordReader;
  • import org.apache.hadoop.mapred.Reporter;
  • import org.apache.hadoop.mapred.lib.CombineFileInputFormat;
  • import org.apache.hadoop.mapred.lib.CombineFileRecordReader;
  • import org.apache.hadoop.mapred.lib.CombineFileSplit;
  • /**
  • * 多文件合并split的输入format
  • *  
  • * @author rollinkin
  • * @date 2012-10-29
  • * @version 1.0
  • * @since 1.0
  • */
  • public class MultiFileCombineInputFormat extends
  •         CombineFileInputFormat<LongWritable, Text> {
  •     @Override   
  •     public RecordReader<LongWritable, Text> getRecordReader(   
  •             InputSplit split, JobConf job, Reporter reporter)   
  •             throws IOException {   
  •          @SuppressWarnings({ "rawtypes", "unchecked" })
  •         Class<RecordReader<LongWritable, Text>> rrClass = (Class)CombineLineRecordReader.class;
  •         return new CombineFileRecordReader<LongWritable, Text>(job,(CombineFileSplit) split, reporter,rrClass);   
  •            
  •     }  
  • } 

CombineLineRecordReader,这个其实没有什么内容,就是包装了一个Reader


  • package org.rollinkin.hadoop;
  • import java.io.IOException;
  • import org.apache.hadoop.conf.Configuration;
  • import org.apache.hadoop.io.LongWritable;
  • import org.apache.hadoop.io.Text;
  • import org.apache.hadoop.mapred.FileSplit;
  • import org.apache.hadoop.mapred.LineRecordReader;
  • import org.apache.hadoop.mapred.RecordReader;
  • import org.apache.hadoop.mapred.Reporter;
  • import org.apache.hadoop.mapred.lib.CombineFileSplit;
  • public class CombineLineRecordReader implements
  •         RecordReader<LongWritable, Text> {
  •     private LineRecordReader delegate;
  •     public CombineLineRecordReader(CombineFileSplit split, Configuration conf,
  •             Reporter reporter, Integer idx) throws IOException {
  •         FileSplit fileSplit = new FileSplit(split.getPath(idx),
  •                 split.getOffset(idx), split.getLength(idx),
  •                 split.getLocations());
  •         delegate = new LineRecordReader(conf, fileSplit);
  •     }
  •     @Override
  •     public boolean next(LongWritable key, Text value) throws IOException {
  •         return delegate.next(key, value);
  •     }
  •     @Override
  •     public LongWritable createKey() {
  •         return delegate.createKey();
  •     }
  •     @Override
  •     public Text createValue() {
  •         return delegate.createValue();
  •     }
  •     @Override
  •     public long getPos() throws IOException {
  •         return delegate.getPos();
  •     }
  •     @Override
  •     public void close() throws IOException {
  •         delegate.close();
  •     }
  •     @Override
  •     public float getProgress() throws IOException {
  •         return delegate.getProgress();
  •     }
  • } 


具体的使用我就不再留了,其实很简单,就是把你的InputFormat设置成MultiFileCombineInputFormat 就可以了(在2012-11-09之前提供了一个reader实际上是不可用,他存在跨块读取的问题,

这里就不在提供了。如果使用了,请更新一下。哎,又传播错误的消息了)



现存问题

    • 合并后会造成mapper不能本地化,带来mapper的额外开销,需要权衡
    • 这里只实现了简单的Text的方式的合并,对于可压缩的、二进制等文件没有提供
    • 这里提供的自定义的实现,只是简单的按行读取

hadoop old API CombineFileInputFormat