Hadoop MapReduce编程模型之InputFormat接口学习

MapReduce应用广泛的原因之一在于它的易用性。它提供了一个因高度抽象化而变得异常简单的编程模型。MapReduce是在总结大量应用的共同特点的基础上抽象出来的分布式计算框架，特点：任务可以分解成相互独立子问题。



上面灰色部分是整个编程模型，分为两层：所谓工具层就是增加点兼容性而已，而下面的接口层就是费神的地方了。
先来点官方的，InputFormat主要用于描述数据的格式，它提供一下两个功能：
1.数据切分：按照某个策略将输入数据切分成若干个split，以便确定Map Task个数以及对应的split。
2.为Mapper提供输入数据：给定某个split，能将其解析成一个个key/value对。
乍一看，挺简单的，不就是把数据打碎，变成k&v对提交给Mapper么，好吧，学了等于没学，这些貌似没什么用。
从数据划分、split调度和数据读取这三方面来分析InputFormat。
具体还是先从经典的MapReduce工作流程入手吧。



1、运行一个MapReduce程序；
2、运行时将生成一个Job，JobClient向JobTracker申请一个JobID以标识这个Job；
3、JobClient将Job所需要的资源提交到HDFS中一个以JobID命名的目录中。这些资源包括JAR包、配置文件、InputSplit等；
4、JobClient向JobTracker提交这个Job；
5、JobTracker接收并初始化这个Job；
6、JobTracker从HDFS获取这个Job的Split等信息；
7、JobTracker向TaskTracker分配任务；
8、TaskTracker从HDFS获取这个Job的相关资源；
9、TaskTracker开启一个新的JVM；
10、TaskTracker用新的JVM来执行Map或Reduce；

注意看第三步，这里提交的资源中包含了InputSplit（上文中已标记）就是数据划分的结果。数据划分是在JobClient上完成的，它适用InputFormat将输入数据做一次划分，形成若干split。

InputFormat是一个接口，它包含两种方法：

InputSplit[] getsSplits(JobConf job,int numSplits) throws IOException;
RecordReader<K,V> getRecordReader(InpputSplit split,JobConf job,Reporter reporter) throws IOException;

这里getSplits函数就是划分函数。job参数是任务的配置集合，从中可以取到用户在启动MapReduce时指定的输入文件路径。而numSplits参数是一个Split数目。
返回接口数组InputSplit，描述所有的Split信息，一对一。它也有两个函数：

long getLength() throws IOException;
String[] getLocation() throws IoException;

即描述Split长度与Split的位置（在HDFS上存放的机器），属于逻辑分片。
序列化问题：对象序列化主要用于进程间通信和永久存储。InputSplit序列化主要是为了前者。

getRecordReader方法返回一个RecordReader对象，将输入的InputSplit解析成若干key/value对。
     
顺便插一句，有时候会遇到输入文件是不可划分的，比如一个tar.gz，划分会是其无法解压，可以考虑重载FileInoutFormat的isSplitable()函数来告知文件是否可分，或者干脆从头实现一个InputFormat。
 
Split调度
图片第6步JobTracker会从HDFS获取Job的Split信息，这将生成一系列待处理的Map和Reduce任务。
JobTracker并不会主动的为每一个TaskTracker划分一个任务子集，而是直接把所有任务都放在跟Job对应的待处理任务列表中。
在分配Map任务时，Split的Location信息就要发挥作用了。JobTracker会根据TaskTracker的地址来选择一个Location与之最接近的Split所对应的Map任务（注意一个Split可以有多个Location）。这样一来，输入文件中Block的Location信息经过一系列的整合（by InputFormat）和传递，最终就影响到了Map任务的分配。其结果是Map任务倾向于处理存放在本地的数据，以保证效率。

数据读取
图片第10步，TaskTracker启动一个JVM来执行Map程序。在Map执行的时候，会使用InputFormat.getRecordReader()所返回的RecordReader对象来读取Split中的每一条记录。
实际上，RecordReader并不关心Split的Location，只管Open它的Path。前面说RecordReader是由具体的InputFormat创建并返回的，它跟对应的InputFormat所使用的InputSplit必定是配对的。比如，对应于FileSplit，RecordReader要读取FileSplit.file文件中的相应区间、对于CombineFileSplit，RecordReader要读取CombineFileSplit.paths中的每个文件的相应区间。
      
系统自带的各种InputFormat实现



所有基于文件的InputFormat实现的基类是FileInputFormat,并派生出针对文本格式的TextInputFormat、KeyValueTextInputFormat和NLineInputFormat以及针对二进制文件格式的SequenceFileInputFormat等。
注意：当使用基于FileInputFormat实现InputFormat时，为了提高Map Task的数据本地性，应尽量是InputSplit与block大小相同。

转自：http://924389979.iteye.com/blog/2059267