MapReduce切片机制

为什么需要切片

  MapReduce是一个分布式计算框架，处理的是海量数据的计算。那么并行运算必不可免，但是到底并行多少个Map任务来计算呢？每个Map任务计算哪些数据呢？这些我们数据我们不能够凭空估计，只能根据实际数据的存储情况来动态分配，而我们要介绍的切片就是要解决这个问题，

切片机制原理

  切片的规则我们需要通过阅读源代码来了解。首先我们来看下hadoop中默认的两个参数配置

1.默认参数

官网地址:http://hadoop.apache.org/docs/stable/hadoop-mapreduce-client/hadoop-mapreduce-client-core/mapred-default.xml

mapreduce.job.split.metainfo.maxsize	10000000
mapreduce.input.fileinputformat.split.minsize	0

2. 源码查看

注意:SPLIT_SLOP = 1.1，即当划分后剩余文件大小除splitSize大于1.1时，循环继续，小于1.1时退出循环，将剩下的文件大小归到一个切片上去。

// 128MB
 long blockSize = file.getBlockSize();
 // 128MB
 long splitSize = computeSplitSize(blockSize, minSize, maxSize);
 // 文件的大小 260MB
 long bytesRemaining = length;
 // 第一次 260/128=2.x > 1.1
 // 第二次 132/128=1.03 <1.1 不执行循环
 while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {
   // 获取块的索引
   int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
   // 将块的信息保存到splits集合中
   splits.add(makeSplit(path, length-bytesRemaining, splitSize,
               blkLocations[blkIndex].getHosts(),
               blkLocations[blkIndex].getCachedHosts()));
   // 260-128=132MB
   bytesRemaining -= splitSize;
 }
 // 将剩余的132MB添加到splits集合中
if (bytesRemaining != 0) {
int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
splits.add(makeSplit(path, length-bytesRemaining, bytesRemaining,
           blkLocations[blkIndex].getHosts(),
           blkLocations[blkIndex].getCachedHosts()));
}

3.切片总结

FileInputFormat中默认的切片机制

1. 简单地按照文件的内容长度进行切片
2. 切片大小，默认等于block大小，可以通过调整参数修改，注意1.1的问题
3. 切片时不考虑数据集整体，而是逐个针对每一个文件单独切片
4. 一个切片(split)对应一个MapTask事例
5. 一个job的map阶段并行度由客户端在提交job时决定

比如待处理数据有两个文件：
	file1.txt    260M
	file2.txt    10M
经过FileInputFormat的切片机制运算后，形成的切片信息如下
	file1.txt.split1--  0~128
	file1.txt.split2--  128~260
	file2.txt.split1--  0~10M。