（转） 通过input分片的大小来设置map的个数

摘要 通过input分片的大小来设置map的个数

map inputsplit hadoop

前言：在具体执行Hadoop程序的时候，我们要根据不同的情况来设置Map的个数。除了设置固定的每个节点上可运行的最大map个数外，我们还需要控制真正执行Map操作的任务个数。
 1.如何控制实际运行的map任务个数
 我们知道，文件在上传到Hdfs文件系统的时候，被切分成不同的Block块（默认大小为64MB）。但是每个Map处理的分块有时候并不是系统的物理Block块大小。实际处理的输入分块的大小是根据InputSplit来设定的，那么InputSplit是怎么得到的呢？

?

1 2 3 4 5

InputSplit=Math.max(minSize, Math.min(maxSize, blockSize)    其中：minSize=mapred.min.split.size        maxSize=mapred.max.split.size

我们通过改变InputFormat中分片的多少来控制实际使用的Map数量，而控制InputFormat中的分片多少就需要控制每个InputSplit分片的大小
 2.如何控制每个split分片的大小
 Hadoop默认的输入格式是TextInputFormat,他里边定义了文件读取的方式和分片的方式。我们打开他的源文件（org.apache.hadoop.mapreduce.lib.input包中）：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29

package org.apache.hadoop.mapreduce.lib.input; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.io.compress.CompressionCodec; import org.apache.hadoop.io.compress.CompressionCodecFactory; import org.apache.hadoop.io.compress.SplittableCompressionCodec; import org.apache.hadoop.mapreduce.InputFormat; import org.apache.hadoop.mapreduce.InputSplit; import org.apache.hadoop.mapreduce.JobContext; import org.apache.hadoop.mapreduce.RecordReader; import org.apache.hadoop.mapreduce.TaskAttemptContext; public class TextInputFormat extends FileInputFormat<LongWritable, Text> {    @Override    public RecordReader<LongWritable, Text>       createRecordReader(InputSplit split,                        TaskAttemptContext context) {      return new LineRecordReader();    }    @Override    protected boolean isSplitable(JobContext context, Path file) {      CompressionCodec codec =         new CompressionCodecFactory(context.getConfiguration()).getCodec(file);      if (null == codec) {        return true;      }      return codec instanceof SplittableCompressionCodec;    } }

通过源代码，我们发现TextInputFormat继承了FileInputFormat，而在TextInputFormat中，我们并没有发现具体的进行文件切分的部分，TextInputFormat应该是采用了FileInputFormat默认的InputSplit方法。因此，我们打开FileInputFormat的源代码，在其中发现：

?

1 2 3 4 5 6 7 8 9 10 11 12 13

public static void setMinInputSplitSize(Job job,long size) {      job.getConfiguration().setLong("mapred.min.split.size", size);    }    public static long getMinSplitSize(JobContext job) {      return job.getConfiguration().getLong("mapred.min.split.size", 1L);    }       public static void setMaxInputSplitSize(Job job,long size) {      job.getConfiguration().setLong("mapred.max.split.size", size);    }    public static long getMaxSplitSize(JobContext context) {      return context.getConfiguration().getLong("mapred.max.split.size",Long.MAX_VALUE);    }

如上我们可以看到，Hadoop在这里实现了对mapred.min.split.size和mapred.max.split.size的定义，且默认值分别为1和Long的最大。因此，我们在程序只需重新赋值给这两个值就可以控制InputSplit分片的大小了。
3.假如我们想要设置的分片大小为10MB
 则我们可以在MapReduce程序的驱动部分添加如下代码：

?

1 2 3

TextInputFormat.setMinInputSplitSize(job,1024L);//设置最小分片大小   TextInputFormat.setMaxInputSplitSize(job,1024×1024×10L);//设置最大分片大小