MapReuce笔记六之输入类InputFormat

使用hadoop jar执行mapreduce任务时首先从hdfs中读取数据将这些数据解析为inputsplit，然后再将inputsplit中的内容解析为一个一个的<k,v>键值对，这个过程就是有InputFormat的子类完成的。之前在MR例子中有一段代码job.setInputFormatClass(TextInputFormat.class);就是指定TextInputFormat来完成这项工作，这个类是hadoop默认的其实可以不写。

         InputFormat是一个抽象类，类中有两个抽象方法List<InputSplit> getSplits和RecordReader<K,V>createRecordReader，getSplit负责将hdfs数据解析为InputSplit，createRecordReader负责将每个InputSplit中的每一行解析为<k,v>键值对。

TextInputFormat

getSplits

         FileInputFormat继承了InputFormat并实现了getSplits方法。

主要完成的功能是：

根据路径解析hdfs数据，判断文件是否可以被切分。

计算splitSize，默认等于blockSize，128M

获取每一个hdfs对象并进行遍历并将结果放入List<InputSplit>中返回。

       Hadoop中一个block对应一个inputsplit，一个inputsplit对应一个map任务。

注意：

hadoop不会对小于128M的文件进行切分，例如一个文件1G那就是8个map任务，如果有1000个100kb的文件则对应1000个map任务，这样会造成效率下降。所以MapReduce不适合处理小文件。

如果inputsplit和blocksize不一样比如大于，那么在解析为inputsplit时一个block就不够用，此时框架就会去别的节点上读取数据来构造inputsplit，这样会产生网络消耗影响效率。

 

createRecordReader
         TextInputFormat继承了FileInputFormat并实现了createRecordReader方法。此方法的返回值是抽象类RecordReader，而最终返回的是LineRecordReader，LineRecordReader实现了RecordReader并在实现的抽象方法中完成解析。

         主要完成的功能是：

                在initialize方法中获取FileSplit对象并读取每一行内容。

                获取<k,v>键值对作为map任务的入参再调用map任务。

         框架每获取一个<k,v>就会调用一次map任务。

 

至此我们可以通过下图大概了解一下这几个类的关系

NlineInputFormat

Hadoop中默认是一个block一个inputsplit，但是在代码中可以指定其他的inputFormat子类，NLineInputFormat可以设置指定文件中多少行为一个inputsplit，下面的代码指定每3行一个inputsplit。

org.apache.hadoop.mapreduce.lib.input.NLineInputFormat;

job.setInputFormatClass(NLineInputFormat.class);

NLineInputFormat.setNumLinesPerSplit(job,3);

KeyValueTextInputFormat

         记录中有制表符(tab)，以第一个制表符为分隔符，前面的作为key后面的作为value，若无制表符则全部为key，value为空。

job.setInputFormatClass(KeyValueTextInputFormat.class);

         同时也可以指定其他的字符串为分隔符

         conf.setStrings(KeyValueLineRecordReader.KEY_VALUE_SEPERATOR,",");

CombineFileInputFormat

         以之前提到的wordcount实例中需要统计单词出现的次数输入类使用的是TextInputFormat，但是如果我有许多的小文件那么在执行mapreduce时split的数量就会很多。

如下图，hdfs上有4个文件对应的split数量也为4，map任务也为4



CombineFileInputFormat这个输入类可以合并小文件，下面来看一个例子。

package mapreduce;

import java.io.IOException;
import java.net.URI;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.InputSplit;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.RecordReader;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.TaskAttemptContext;
import org.apache.hadoop.mapreduce.lib.input.CombineFileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.CombineFileRecordReader;
import org.apache.hadoop.mapreduce.lib.input.CombineFileSplit;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.FileSplit;
import org.apache.hadoop.mapreduce.lib.input.LineRecordReader;
//import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
import org.apache.hadoop.util.ReflectionUtils;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;

/**
* hdfs上的hello中的内容为
tiger pig
pig cat dog
dog bird cat
tiger house
bus bike bus car

* @author think
*
*/
public class WordCount {

public static void main(String[] args) throws Exception {
String inPath = args[0];
Path outPath = new Path(args[1]);

//1:hdfs configuration,get SystemFile Object
Configuration conf = new Configuration();
URI uri = new URI("/");// URI uri = new URI("hdfs://192.168.79.128:9000/");
FileSystem fileSystem = FileSystem.get(uri, conf);

if (fileSystem.exists(outPath)) {
fileSystem.delete(outPath, true);
}

// 2:job object
String jobName = WordCount.class.getName();
Job job = Job.getInstance(conf, jobName);
job.setJarByClass(WordCount.class);

// 3:输入路径
FileInputFormat.setInputPaths(job, inPath);

// 4:指定inputFormat的子类，可选，默认是TextInputFormat
//job.setInputFormatClass(TextInputFormat.class);
job.setInputFormatClass(CombineSmallFileInputFormat.class);

// 5:指定mapper类，指定mapper的输出<k2,v2>类型
job.setMapperClass(MapTask.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(LongWritable.class);

// 6:指定reduce类，指定reduce的输出<k3,v3>类型
job.setReducerClass(ReduceTask.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(LongWritable.class);

// 7:指定输出路径
FileOutputFormat.setOutputPath(job, outPath);

// 8:指定outputformat子类
job.setOutputFormatClass(TextOutputFormat.class);

// 9:提交yarn执行
job.waitForCompletion(true);
}

/**
* Map 任务
* @author think
* LongWritable, Text, Text, LongWritable这4个参数依次代表map任务的输入键值对<k1,v1>和输出键值对<k2,v2>
*/
public static class MapTask extends Mapper<LongWritable, Text, Text, LongWritable>
{
Logger logger = LoggerFactory.getLogger(WordCount.class);

Text k2 = new Text();

LongWritable v2 = new LongWritable();

/**
* 重写map方法
* context是一个mapper的内部类
*/
@Override
protected void map(LongWritable key, Text value,
Mapper<LongWritable, Text, Text, LongWritable>.Context context)
throws IOException, InterruptedException {
//1:key为内容的字节序数，value为内容
String content = value.toString();
System.out.println("内容：" + key.get() + " ," + content);
logger.info("内容：" + key.get() + " ," + content);

String[] arrs = content.split(",");
for(String word : arrs)
{
k2.set(word);
v2.set(1);
context.write(k2, v2);
logger.info("map：" + k2.toString() + "," + v2);
}
}
}

/**
* Reduce 任务
* @author think
* Text, LongWritable, Text, LongWritable这4个参数依次代表reduce任务的输入键值对<k2,v2s>和输出键值对<k3,v3>
*/
public static class ReduceTask extends Reducer<Text, LongWritable, Text, LongWritable>
{
LongWritable v3 = new LongWritable();

@Override
protected void reduce(Text k2, Iterable<LongWritable> v2s,
Reducer<Text, LongWritable, Text, LongWritable>.Context content)
throws IOException, InterruptedException {
System.out.println("k2:" + k2.toString());
long sum = 0;
for(LongWritable v2 : v2s)
{
System.out.println("v2:" + v2);
sum += v2.get();
}
v3.set(sum);
content.write(k2, v3);
System.out.println("k3,v3:" + k2.toString() + "," + v3);
}
}

/**
* 自定义处理小文件的mapreduce输入类
* @author think
*
*/
public static class CombineSmallFileInputFormat extends CombineFileInputFormat<LongWritable, Text>{

/**
* createRecordReader创建一个读取器，实现RecordReader方法
* <LongWritable, Text>是map任务的输入参数，和之前的一样。入参感觉要随map任务的业务而定
* 返回值是CombineFileRecordReader对象实例
* 		这个对象继承了RecordReader
* 		生成实例需要三个参数
* 			第一个需要强转成CombineFileSplit
* 			第二个是上下文
* 			第三个是我们自定义的一个类，这个类必须继承RecordReader
*/
@Override
public RecordReader<LongWritable, Text> createRecordReader(
InputSplit split, TaskAttemptContext context)
throws IOException {
return new CombineFileRecordReader((CombineFileSplit)split, context, CombineSmallFileRecordReader.class);
}

}

/**
* 继承RecordReader类的<k,v>和上面一样都是<LongWritable, Text>
* 实现RecordReader方法
* @author think
*
*/
public static class CombineSmallFileRecordReader extends RecordReader<LongWritable, Text> {

private LineRecordReader lrr;

/**
*     在解析多个小文件时，每个小文件都会调用上面的
*     return new CombineFileRecordReader((CombineFileSplit)split, context, CombineSmallFileRecordReader.class);
* 所以构造函数的第三个参数index就是每个小文件的序号，比如第一个，第二个......
*
*
* @param split
* @param context
* @param index 文件的序号
* @throws IOException
* @throws Interrupted Exception
*/
public CombineSmallFileRecordReader(CombineFileSplit split, TaskAttemptContext context, Integer index) throws IOException, InterruptedException
{
//1.通过反射机制实例化lrr
this.lrr = ReflectionUtils.newInstance(LineRecordReader.class, context.getConfiguration());

//2.为初始化方法构造参数
/**
* 参数fileSplit就是我们处理的众多小文件(word,word1..)所以是FileSplit,我们需要自行构造
* 4个参数分别是路径信息（file），起始位置（偏移量start），长度(length)，所在位置hosts,我们需要构建这4个参数
* 4个参数均从split中获取,index是文件的序号
*/
Path file = split.getPath(index);
long start = split.getOffset(index);
long length = split.getLength(index);
String[] hosts = split.getLocations();
InputSplit fileSplit = new FileSplit(file, start, length, hosts);

//3.调用初始化方法
this.lrr.initialize(fileSplit, context);
}

@Override
public void initialize(InputSplit split, TaskAttemptContext context)
throws IOException, InterruptedException {
// TODO Auto-generated method stub

}

@Override
public boolean nextKeyValue() throws IOException, InterruptedException {
return lrr.nextKeyValue();
}

@Override
public LongWritable getCurrentKey() throws IOException,
InterruptedException {
return lrr.getCurrentKey();
}

@Override
public Text getCurrentValue() throws IOException, InterruptedException {
return lrr.getCurrentValue();
}

@Override
public float getProgress() throws IOException, InterruptedException {
return lrr.getProgress();
}

@Override
public void close() throws IOException {
lrr.close();
}

}
}

下图中显示的是日志，可以看到相比于输入类使用TextInputFormat，使用CombineFileInputFormat的split和map任务数量都要少，之间也应该更快。CombineFileInputFormat合并了小文件。