MR总结(三)-MapReduce组件自定义

自定义InputFormat InputFormat主要包括： ? ? ? ? ? InputSplit和RecordReader ? ? InputSplit用于定义Map的数目和确定最合适的执行节点（位置） ? ?RecordReader负责从输入文件里读取数据记录，并把数据提交给Mapper处理。 ? 一个自定义分片实现要继承与抽

自定义InputFormat

InputFormat主要包括：

? ? ? ? ? InputSplit和RecordReader

? ?InputSplit用于定义Map的数目和确定最合适的执行节点（位置）

? ?RecordReader负责从输入文件里读取数据记录，并把数据提交给Mapper处理。

? 一个自定义分片实现要继承与抽象类InputSplit，通过定义输入的长度和位置。分片的位置暗示调度器如何是放置一个分片的执行器（即，选择一个合适的TaskTracker）

? JobTracker处理分片的算法大致是：

1. 通过TaskTracker节点的心跳获取可用的map槽资源
2. 从排队等候的分片中找出那些可用的节点是本地的
3. 向TaskTracker提交分片

? 基于存储机制和执行策略，分片的大小和位置是有不同的意思。例如在HDFS上，一个分片和一个物理数据块是一致的，分片的位置是这个数据块的物理存放位置的一个集合。

? 下面是FileInputFormat工作的机制：

1. 继承InputSplit，计算文件的信息。如文件中数据块的开始位置和块的长度
2. 获取文件的数据块的一个集合
3. 创建一个数据分片，这个分片的长度和块大小一样，分片位置为这个快的位置。此外还含有文件位置，块位移，长度等信息。

下面是FileInputFormat创建分片的代码：

/**
   * Generate the list of files and make them into FileSplits.
   * @param job the job context
   * @throws IOException
   */
  public List getSplits(JobContext job) throws IOException {
    Stopwatch sw = new Stopwatch().start();
    long minSize = Math.max(getFormatMinSplitSize(), getMinSplitSize(job));
    long maxSize = getMaxSplitSize(job);

    // generate splits
    List splits = new ArrayList();
    List files = listStatus(job);
    for (FileStatus file: files) {
      Path path = file.getPath();
      long length = file.getLen();
      if (length != 0) {
        BlockLocation[] blkLocations;
        if (file instanceof LocatedFileStatus) {
          blkLocations = ((LocatedFileStatus) file).getBlockLocations();
        } else {
          FileSystem fs = path.getFileSystem(job.getConfiguration());
          blkLocations = fs.getFileBlockLocations(file, 0, length);
        }

        if (isSplitable(job, path)) {
          long blockSize = file.getBlockSize();
          long splitSize = computeSplitSize(blockSize, minSize, maxSize);

          long bytesRemaining = length;
          while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {
            int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
            splits.add(makeSplit(path, length-bytesRemaining, splitSize,
                        blkLocations[blkIndex].getHosts(),
                        blkLocations[blkIndex].getCachedHosts()));
            bytesRemaining -= splitSize;
          }

          if (bytesRemaining != 0) {
            int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
            splits.add(makeSplit(path, length-bytesRemaining, bytesRemaining,
                       blkLocations[blkIndex].getHosts(),
                       blkLocations[blkIndex].getCachedHosts()));
          }
        } else { // not splitable
          splits.add(makeSplit(path, 0, length, blkLocations[0].getHosts(),
                      blkLocations[0].getCachedHosts()));
        }
      } else {
        //Create empty hosts array for zero length files
        splits.add(makeSplit(path, 0, length, new String[0]));
      }
    }
    // Save the number of input files for metrics/loadgen
    job.getConfiguration().setLong(NUM_INPUT_FILES, files.size());
    sw.stop();
    if (LOG.isDebugEnabled()) {
      LOG.debug("Total # of splits generated by getSplits: " + splits.size()
          + ", TimeTaken: " + sw.elapsedMillis());
    }
    return splits;
  }

方法创建分片过程主要做了下面几件事：1、首先从Job对象中获取输入文件的状态信息FileStatus。2.然后针对每个文件获取块信息。3.根据文件是否可分割按照分片大小进行切割,如果不能则不分割。

?案例：实现计算密集型InputFormat

有一种比较常见的MapReduce程序：计算密集型程序。

计算密集型MR程序即指：对于与每一个输入的键值对需要复杂的计算算法去处理，主要特征是每一个map处理函数需要比获取该处理数据更长的时间，至少一个量级。比如人脸识别程序。

如果使用默认的FileInputFormat去处理该类型应用的话，很大情况下会出现部门机器cpu负载过高，而其他的则比较闲。(可以通过ganglia监控分析)

默认情况下由于FileInputFormat的实现会根据数据的本地性来创建分片数据。然而对于计算密集型的程序数据的本地性可能不适合了。那我们应该如何做出改变呢？我们获取所有可用服务器各自计算能力的情况，根据服务器来分配创建分片。

因此我们需要重载分片函数。

下面我们重载SequenceFileInputFormat来演示如何实现上述要求：

ComputeIntensiveSequenceFileInputFormat继承SequenceFileInputFormat函数，重载gitSplits函数:

//重写分片函数
 @Override
 public List getSplits(JobContext job) throws IOException {
  String[] servers = getActiveServersList(job);
  if (servers == null)
   return null;
  List splits = new ArrayList();
  List files = listStatus(job);
  int currentServer = 0;
  for (FileStatus file : files) {
   Path path = file.getPath();
   long length = file.getLen();
   if ((length != 0) && isSplitable(job, path)) {
    long blockSize = file.getBlockSize();
    long splitSize = computeSplitSize(blockSize, minSize, maxSize);
    long bytesRemaining = length;
    while (((double) bytesRemaining) / splitSize > SPLIT_SLOP) {
     splits.add(new FileSplit(path, length - bytesRemaining,
       splitSize, new String[] { servers[currentServer] }));
     currentServer = getNextServer(currentServer, servers.length);
     bytesRemaining -= splitSize;
    }
   } else if (length != 0) {
    splits.add(new FileSplit(path, 0, length,
      new String[] { servers[currentServer] }));
    currentServer = getNextServer(currentServer, servers.length);
   }
  }
  // Save the number of input files in the job-conf
  job.getConfiguration().setLong(NUM_INPUT_FILES, files.size());
  return splits;
 }
 //获取服务器列表
 private String[] getActiveServersList(JobContext context) {
  String[] servers = null;
  try {
   JobClient jc = new JobClient((JobConf) context.getConfiguration());
   ClusterStatus status = jc.getClusterStatus(true);
   Collection atc = status.getActiveTrackerNames();
   servers = new String[atc.size()];
   int s = 0;
   for (String serverInfo : atc) {
    StringTokenizer st = new StringTokenizer(serverInfo, ":");
    String trackerName = st.nextToken();
    StringTokenizer st1 = new StringTokenizer(trackerName, "_");
    st1.nextToken();
    servers[s++] = st1.nextToken();
   }
  } catch (IOException e) {
   e.printStackTrace();
  }
  return servers;
 }
 //选择一个服务器
 private static int getNextServer(int current, int max) {
  current++;
  if (current >= max)
   current = 0;
  return current;
 }

这个类继承于SequenceFileInputFormat，重写了getSplits()函数。计算分片的和FileInputFormat一样。只是原来数据的物理本地性由可用的服务器资源代替。两个主要函数：
getActiveServersList() 查询集群状态，计算一个可用的服务器名字列表
getNextServer() 获取一个服务器

优化：
上面方案是否就已经很完美，没有问题了呢？答案是否定的。
在上面我们替换了数据物理本地性这个特性，那么会导致更多的数据传输的问题，会给网络io带来压力，影响io性能。

因此我们想到可以把两个策略综合起来。首先放置尽可能多的任务为本地，分发剩下的到其他节点。
下面是实现这个方案的程序ComputeIntensiveLocalizedSequenceFileInputFormat：

@Override
 public List getSplits(JobContext job) throws IOException {
  List originalSplits = super.getSplits(job);
  String[] servers = getActiveServersList(job);
  if (servers == null)
   return null;
  List splits = new ArrayList(
    originalSplits.size());
  int numSplits = originalSplits.size();
  int currentServer = 0;
  for (int i = 0; i 
这里第一步利用父类（FileInputFormat)）获取分片来确保数据本地性。对于每一个服务器，首先试着去指定本地的split给它。其他没有本地分片的则随机分配剩下的分片。

总结：
MapReduce的输入格式的重写主要要主要两个组件：InputFormat和Recordreader。本文主要讲述InputFormat的原理及怎么来重写InputFormat，根据业务的特点选择创建分片的策略。
    

        原文地址：MR总结(三)-MapReduce组件自定义, 感谢原作者分享。