hadoop spark合并小文件

 

一.输入文件类型设置为 CombineTextInputFormat

hadoop

job.setInputFormatClass(CombineTextInputFormat.class)

spark

 val data = sc.newAPIHadoopFile(args(1),
      classOf[CombineTextInputFormat],
      classOf[LongWritable],
      classOf[Text], hadoopConf)
      .map { //TODO }

（hadoop2.7及其以上版本有这个类，虽然2.6也可能用这个类，但不兼容，会出一些bug导致任务失败；或者直接就报错找不到类）

二.再配置以下参数：

（如果设置了CombineTextInputFormat而不配置分片大小的参数，所有输入会合并为一个文件，也就是说，不管你数据多大，只有一个Map，血泪的教训啊！）

1.运行时加参数

-D mapreduce.input.fileinputformat.split.minsize=134217728
-D mapreduce.input.fileinputformat.split.maxsize=512000000
-D mapred.linerecordreader.maxlength=32768　

例如： hadoop jar xx.jar -D mapreduce.input.fileinputformat.split.minsize=134217728  -D mapreduce.input.fileinputformat.split.maxsize=512000000 <input> <output>

运行时添加参数这种方法需要在Diver 的main方法第一行添加如下代码（很重要）：

String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();

不然直接拿会把运行参数-D当成 args[0],用GenericOptionsParser解析后otherArgs[0]参数是才是<input>;

不习惯运行时添加参数可以直接在Diver类中写死，代码中的设置会覆盖运行时添加的参数。

2.代码中设置参数

 var hadoopConf = new Configuration()
 hadoopConf.set("mapreduce.input.fileinputformat.split.maxsize", "512000000")
 hadoopConf.set("mapreduce.input.fileinputformat.split.minsize", "268435456")
 hadoopConf.set("mapreduce.input.fileinputformat.split.minsize.per.node", "134217728")   //下面这两参数可以不设置，详情看文章末尾
 hadoopConf.set("mapreduce.input.fileinputformat.split.minsize.per.rack", "268435456")

maxsize和minsize是设置分片上下限的。

（这里还个参数，一般用不上  -D mapred.linerecordreader.maxlength=32768）设置每行最大长度。

MapReduce中获取job实例的时候把hadoopConf传入

Job job = Job.getInstance(hadoopConf,"MyJob");

Spark

//还是上面的spark示例代码 创建RDD的时候传入
val data = sc.newAPIHadoopFile(args(1),
      classOf[CombineTextInputFormat],
      classOf[LongWritable],
      classOf[Text], hadoopConf)
      .map { //TODO }

 完毕，打包运行代码吧！

other：

hadoopconf 的其他两个参数可以不设置，了解一下

• 如果指定了mapreduce.input.fileinputformat.split.maxsize，那么在同一个节点上的Blocks合并，一个超过maxsize就生成新分片。
• mapreduce.input.fileinputformat.split.minsize.per.node,那么会把1.中处理剩余的Block，进行合并，如果超过minsize，那么全部作为一个分片。否则这些Block与同一机架 Rack上的块进行合并。
• 每个节点上如上同样的方式处理，然后针对整个Rack的所有Block，按照1.方式处理。剩余部分，如果指定了mapreduce.input.fileinputformat.split.minsize.per.rack，并且超过minsize.per.rack，则全部作为一个分片，否则这些Block保留，等待与所有机架上的剩余Block进行汇总处理。

每个机架上都按照1，2，3方式处理，汇总所有处理剩下的部分，再按照1的逻辑处理。再剩余的，作为一个分片。