Hadoop案例之自定义分片策略解决大量小文件问题
1.默认的分片策略TextInputFormat
应该都知道默认的TextInputFormat是一行行的读取文件内容,这对于一个或几个超大型的文件来说并没有什么问题,但是在实验读取大量小文件的时候,性能及其低下。
1.1实验过程
分别有5个文件夹,每个文件夹下有不同数量(1-2千个)的小文件(10+k大小),总量大概有8k+个文件,使用CLI命令上传到HDFS就花费了一个多小时。
环境为本地电脑安装的伪分布式Hadoop集群,机器配置为四核I7的CPU,16G的RAM。
编写简单的worldCount程序,一切默认,放到集群上跑的时候出现以下情况:
1.启动的mapper总数量为8k+个!而一个节点能同时运行的mapper数量为4
2.整个map过程及其缓慢,50%跑了2h
2.CPU总用率高达80%,整个机器开始发出呲呲呲的声音
可见大量的小文件对mapreduce程序性能的影响有多大。
1.2问题的根本所在
HDFS上的文件是按block来存储的。
如果一个文件很大,超出了一个block的设定,那么它就会被划分为多个block存储,mapreduce程序读取时,每个block都会对应输入一个mapper,所以大文件,默认的分片策略是可以hold住的。
但是如果是很多小文件的话,每个小文件存储的时候都会是一个block,即使它很小,远远达不到block大小(默认128M),HDFS还是会将其存储在一个block中,那么问题就来了,默认的分片策略在读取这些小文件的时候,每个block都会产生一个mapper,所以就有了上面程序中出现了8k+个mapper的情况。
1.3解决方案
既然知道了问题所在,那么就可以指定对应的解决方案,无非就是从两点入手:
1.默认每个小文件对应一个block,那么可以采取压缩等手段将多个小文件进行合并存储,以达到每个block存储的内容都是足够大的。
2.修改mapreduce默认的分片策略,使得读取文件进行分片的时候让每个block可以对应多个小文件,而不再是仅仅一个小文件。
2.自定义的分片策略MyInputFormat
关于Hadoop的InputFormat类,网上有很多详细介绍的文章,默认的分片策略使用的就是其TextInputFormat子类,这里将介绍另外一个子类:CombineFileInputFormat。
顾名思义,CombineFileInputFormat是用来将输入的小文件进行合并,然后输入到一个mapper中的策略。
这是一个抽象类,只实现了InputFomat接口的getSplit方法。(P.S.所有的分片策略都要继承InputFormat,并实现getSplit和createRecordReader两个方法)
既然我们需要用到CombineFileInputFormat,但他留了一个接口方法让我们实现,那么就可以自定义一个MyInputFormat类继承自CombineFileInputFormat,重写createRecordReader。
关于InputFormat接口的两个方法:
1.getSplit是从HDFS上读取文件,并形成逻辑的分片,在本文中,这个分片会包含多个小文件。
2.createRecordReader会创建一个RecordReader对象,用来读取getSplit产生的分片,mapper中的键值对就是这个RecordReader输出的。
之前讨论到的自定义MyInputFormat类实现分片策略,但是分片之后如何读取分片内的数据是createRecordReader方法创建的RecordReader对象决定的。
所以自定义分片策略的关键在于两点:
1.MyInputFormat类自定义分片策略
2.MyRecordReader类自定义读取分片内的数据
4.源码地址
package MuiltiSmallFileCombine;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.InputSplit;
import org.apache.hadoop.mapreduce.JobContext;
import org.apache.hadoop.mapreduce.RecordReader;
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 java.io.IOException;
public class MyInputFormat extends CombineFileInputFormat<Text, Text>{
/*
* 重写方法,直接返回false,对所有文件都不进行切割,保持完整
*/
@Override
protected boolean isSplitable(JobContext context, Path file) {
return false;
}
/*
* 重写此方法,返回的CombineFileRecordReader为处理每个分片的recordReader,
* 在构造函数中设置自定义的RecordReader对象
*/
public RecordReader<Text, Text> createRecordReader(InputSplit inputSplit, TaskAttemptContext taskAttemptContext) throws IOException {
return new CombineFileRecordReader<Text, Text>((CombineFileSplit) inputSplit, taskAttemptContext, MyRecordReader.class);
}
}
package MuiltiSmallFileCombine;
import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;public class MyCombine {
public static class Map extends Mapper<Text, Text, Text, Text>
{
@Override
protected void map(Text key, Text value, Context context)
throws IOException, InterruptedException {
context.write(key, value);
}
}
public static class Reduce extends Reducer<Text, Text, Text, Text>
{
@Override
protected void reduce(Text key, Iterable<Text> value, Context context)
throws IOException, InterruptedException {
for(Text v : value)
{
context.write(key, v);
}
}
}
public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
String[] otherArgs = new GenericOptionsParser(conf,args).getRemainingArgs();
if (otherArgs.length != 2) {
System.err.println("Usage: MyCombine <in> <out>");
System.exit(2);
}
Job job = new Job(conf,"MyCombine");
job.setJarByClass(MyCombine.class);
job.setMapperClass(Map.class);
job.setReducerClass(Reduce.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(Text.class);
job.setInputFormatClass(MyInputFormat.class);
FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
System.exit(job.waitForCompletion(true)? 0 : 1);
}
}
package MuiltiSmallFileCombine;
import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.InputSplit;
import org.apache.hadoop.mapreduce.RecordReader;
import org.apache.hadoop.mapreduce.TaskAttemptContext;
import org.apache.hadoop.mapreduce.lib.input.CombineFileSplit;/*
* 自定义的RecordReader类,用来处理CombineFileInputSplit返回的每个分片
*/
public class MyRecordReader extends RecordReader<Text, Text>{ private CombineFileSplit combineFileSplit; // 当前处理的分片
private Configuration conf; //系统信息
private int curIndex;//当前处理到第几个分片
private Text curKey = new Text();//当前key
private Text curValue = new Text();//当前value
private boolean isRead = false;//是否已经读取过该分分片
private float currentProgress = 0;//当前读取进度
private FSDataInputStream fsInputStream;//HDFS文件读取流
/*
* 构造函数必须的三个参数,自定义的InputFormat类每次读取新的分片时,
* 都会实例化自定义的RecordReader类对象来对其进行读取
* @param combineFileSplit 当前读取的分片
* @param taskAttemptContext 系统上下文环境
* @param index 当前分片中处理的文件索引
*/
public MyRecordReader(CombineFileSplit combineFileSplit, TaskAttemptContext taskAttemptContext, Integer index)
{
this.combineFileSplit = combineFileSplit;
this.conf = taskAttemptContext.getConfiguration();
this.curIndex = index;
}
@Override
public void close() throws IOException {
if (fsInputStream != null) {
fsInputStream.close();
}
} /**
* 返回当前key的方法
*/
public Text getCurrentKey() throws IOException, InterruptedException {
return curKey;
} /**
* 返回当前value的方法
*/
public Text getCurrentValue() throws IOException, InterruptedException {
return curValue;
} /**
* 返回当前的处理进度
*/
public float getProgress() throws IOException, InterruptedException {
//获得当前分片中的总文件数
int splitFileNum = combineFileSplit.getPaths().length;
if (curIndex > 0 && curIndex < splitFileNum) {
//当前处理的文件索引除以文件总数得到处理的进度
currentProgress = (float)curIndex / splitFileNum;
}
return currentProgress;
} /*
* 初始化RecordReader的一些设置(non-Javadoc)
*/
@Override
public void initialize(InputSplit arg0, TaskAttemptContext arg1) throws IOException, InterruptedException {
// TODO Auto-generated method stub
} /*
* 返回true就取出key和value,之后index前移,返回false就结束循环表示没有文件内容可读取了
*/
@Override
public boolean nextKeyValue() throws IOException, InterruptedException { //没被读取过的文件才进行读取
if (!isRead) {
//只实现了读取输入目录下的文件,没有实现读取输入目录下子目录里的文件
//默认的TextFileInputFormat里调用的RecoderReader,是可以读取子目录里的文件的
//根据当前的文件索引从当前分片中找到对应的文件路径
Path path = combineFileSplit.getPath(curIndex);
//获取父目录名作为Key值
curKey.set(path.getParent().getName());
//从当前分片中获得当前文件的长度
byte[] content = new byte[(int) combineFileSplit.getLength(curIndex)];
try {
//读取该文件内容
FileSystem fs = path.getFileSystem(conf);
FileStatus st = fs.getFileStatus(path);
if (!st.isFile()) {
return false;
}
fsInputStream = fs.open(path);
fsInputStream.readFully(content);
} catch (Exception ignored) {
}finally {
if (fsInputStream != null) {
fsInputStream.close();
}
}
//整个文件内容作为value值
curValue.set(content);
isRead = true;
return true;
}
return false;
}}