Hadoop中分片split的原理解析
一、定義
1、block:block是物理切塊,在檔案上傳到HDFS檔案系統後,對大文將以每128MB的大小切分若干,存放在不同的DataNode上;
2、split:split是邏輯切片,在mapreduce中的map task開始之前,將檔案按照指定的大小切割成若干個部分,每一部分稱為一個split,預設是split的大小與block的大小相等,均為128MB。
注意:在hadoop1.x版本中,block預設的大小為64MB,在hadoop2.x版本修改成了128MB。
二、引數設定
1、block預設配置在hdfs-default.xml中(hadoop-hdfs-x.x.x.jar目錄下)
<property>
<name>dfs.blocksize</name>
<value>134217728</value>
<description>
預設block的大小引數配置以位元組為單位(例如134217728,128 MB)
也可以使用如128k,512m,1g等為單位(不區分大小寫)
</description>
</property>
注意:預設配置就是最佳實踐
2、split大小由minSize、minSize、blocksize決定,以下是預設配置情況下的
- long minSize = 1
long minSize = Math.max(getFormatMinSplitSize(), getMinSplitSize(job)); protected long getFormatMinSplitSize() { return 1; } public static long getMinSplitSize(JobContext job) { // SPLIT_MINSIZE預設值為0,因此getMinSplitSize(JobContext job)返回值為1 return job.getConfiguration().getLong(SPLIT_MINSIZE, 1L); }
- long maxSize = MAX_VALUE
long maxSize = getMaxSplitSize(job);
// 返回預設值MAX_VALUE
public static long getMaxSplitSize(JobContext context) {
return context.getConfiguration().getLong(SPLIT_MAXSIZE,
Long.MAX_VALUE);
}
// 獲取配置檔案引數值
public long getLong(String name, long defaultValue) {
// 使用者為自定義引數屬性
String valueString = getTrimmed(name);
if (valueString == null)
// 返回系統預設值,即public static final long MAX_VALUE
return defaultValue;
String hexString = getHexDigits(valueString);
if (hexString != null) {
return Long.parseLong(hexString, 16);
}
return Long.parseLong(valueString);
}
- blocksize = 134217728
由上面三個引數就可以計算出分片大小了,也能得到如下結論:
Split與block的對應關係可能是多對一,預設是一對一
在mapreduce的FileInputFormat類中的getSplits() 方法對檔案進行split,演算法如下:
Math.max(minSize,Math.min(maxSize, blockSize)),其中maxSize是取得longValueMax的值
1.如果blockSize小於maxSize && blockSize 大於 minSize之間,那麼split就是blockSize(一對一);
2.如果blockSize小於maxSize && blockSize 小於 minSize之間,那麼split就是minSize;
3.如果blockSize大於maxSize && maxSize 大於 minSize之間,那麼split就是maxSize(多對一);
4.如果blockSize大於maxSize && maxSize 小於 minSize之間,那麼split就是maxSize(不存在這種關係)。
在優化過程中,若想調整split大小控制map task的數量,原則如下:
檔案大小不變,minsize大小預設,增加map task數量,減小maxSize,則split減小
檔案大小不變,maxSize大小預設,減小map task數量,增大minSize,則split增大
注意:split大小如何調整,split只能是一個檔案的分片,不能讓多個小檔案“劃入”一個split中
三、分裝切片物件的主要原始碼
檔案的最後一個分片可能會超過128MB,由於常量SPLIT_SLOP = 1.1決定,大小範圍在:0MB < lastSplit < 128+12.8 MB
/**
* 生成切片物件集合,InputSplit物件封裝.
* @param job the job context
* @throws IOException
*/
public List<InputSplit> getSplits(JobContext job) throws IOException {
StopWatch sw = new StopWatch().start();
// 分片最小值,getFormatMinSplitSize()返回值為1,getMinSplitSize(job)返回值為1
long minSize = Math.max(getFormatMinSplitSize(), getMinSplitSize(job));
// 分片最大值是常量:public static final long MAX_VALUE
long maxSize = getMaxSplitSize(job);
// 生成分片列表
List<InputSplit> splits = new ArrayList<InputSplit>();
// 判斷檔案是否可用
List<FileStatus> files = listStatus(job);
// 獲取檔案路徑、大小
for (FileStatus file: files) {
Path path = file.getPath();
long length = file.getLen();
if (length != 0) {
BlockLocation[] blkLocations;
// 獲取block位置資訊
if (file instanceof LocatedFileStatus) {
blkLocations = ((LocatedFileStatus) file).getBlockLocations();
} else {
FileSystem fs = path.getFileSystem(job.getConfiguration());
blkLocations = fs.getFileBlockLocations(file, 0, length);
}
// 判斷檔案是否可切片
if (isSplitable(job, path)) {
// 獲取block大小,預設128MB
long blockSize = file.getBlockSize();
// 計算split大小,預設128MB
long splitSize = computeSplitSize(blockSize, minSize, maxSize);
// 檔案大小
long bytesRemaining = length;
// 當檔案大小滿足bytesRemaining/128 > 1.1 進行切片
// private static final double SPLIT_SLOP = 1.1;
while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {
// 記錄block索引位置
int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
splits.add(makeSplit(path, length-bytesRemaining, splitSize,
blkLocations[blkIndex].getHosts(),
blkLocations[blkIndex].getCachedHosts()));
// 檔案剩餘大小
bytesRemaining -= splitSize;
}
// 判斷檔案是否切片完成
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 { // 檔案大小不滿足切片要求
//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.now(TimeUnit.MILLISECONDS));
}
return splits;
}
// 計算實際分片大小
protected long computeSplitSize(long blockSize, long minSize,
long maxSize) {
return Math.max(minSize, Math.min(maxSize, blockSize));
}
// 封裝分片資訊,檔案路徑,開始位置,檔案大小,主機名,儲存該block的所有主機名列表
protected FileSplit makeSplit(Path file, long start, long length, String[] hosts,
String[] inMemoryHosts) {
return new FileSplit(file, start, length, hosts, inMemoryHosts);
}