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：
- 通过TaskTracker节点的心跳获取可用的map槽资源
- 从排队等候的分片中找出那些可用的节点是本地的
- 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：
- 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
- 获取文件的数据块的一个集合
- 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 ListgetSplits(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。
Delphi 初级教程步步精通 pdf，简要概括一下内容：Delphi概述、Object Pascal语言基储三种结构的程序设计、数组、过程与函数、自定义类型、Delphi常用组件、多媒体应用编程、DLL的应用、数据库应用基储SQL数据库程序设计等。
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 ListgetSplits(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 ListgetSplits(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 < numSplits; i++, currentServer = getNextServer( currentServer, servers.length)) { String server = servers[currentServer]; // Current server boolean replaced = false; for (InputSplit split : originalSplits) { FileSplit fs = (FileSplit) split; for (String l : fs.getLocations()) { if (l.equals(server)) { splits.add(new FileSplit(fs.getPath(), fs.getStart(), fs.getLength(), new String[] { server })); originalSplits.remove(split); replaced = true; break; } } if (replaced) break; } if (!replaced) { FileSplit fs = (FileSplit) splits.get(0); splits.add(new FileSplit(fs.getPath(), fs.getStart(), fs .getLength(), new String[] { server })); originalSplits.remove(0); } } return splits; }
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。
