MapReduce :基于 FileInputFormat 的 mapper 数量控制

Posted PigeonNoir

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了MapReduce :基于 FileInputFormat 的 mapper 数量控制相关的知识,希望对你有一定的参考价值。

本篇分两部分,第一部分分析使用 java 提交 mapreduce 任务时对 mapper 数量的控制,第二部分分析使用 streaming 形式提交 mapreduce 任务时对 mapper 数量的控制。

 

环境:hadoop-3.0.2

前言:

熟悉 hadoop mapreduce 的人可能已经知道,即使在程序里对 conf 显式地设置了 mapred.map.tasks 或 mapreduce.job.maps,程序也并没有运行期望数量的 mapper。

这是因为,mapper 的数量由输入的大小、HDFS 当前设置的 BlockSize、以及当前配置中的 split min size 和 split max size 等参数共同确定,并不会受到简单的人工设置 mapper num 的影响。

因此,对于 mapper num 的控制,需要我们理解 hadoop 中对于 FileInputFormat 类中 getSplit() 方法的实现,针对性地配置 BlockSize、split min size、split max size 等参数,才能达到目的。

重点:

值得一提并且容易忽略的是,要区分 org.apache.hadoop.mapred.FileInputFormat类和 org.apache.hadoop.mapreduce.lib.input.FileInputFormat类,两者虽然相似,但在getSplit()上的实现是有区别的。

重要区别是,hadoop streaming 中使用的 InputFormat 类,使用的是 org.apache.hadoop.mapred.FileInputFormat,仅仅需要指定 mapreduce.job.maps ,就能够设置 mapper num了(具体源码分析在第二部分)。而使用JAVA设计的 mapreduce 任务中使用的 InputFormat 类,使用的是 org.apache.hadoop.mapreduce.lib.input.FileInputFormat,则需要通过配置BlockSize、split min size、split max size 等参数来间接性地控制 mapper num。

 

一、Java 本地提交 mapreduce 任务, org.apache.hadoop.mapreduce.lib.input.FileInputFormat 的 mapper num 控制

1. 在java本地编辑 mapreduce 任务,(默认)使用 FileInputFormat 类的子类 TextInputFormat

job.setInputFormatClass(TextInputFormat.class);

 

2. mapper 的切分逻辑在 FileInputFormat 类中的 getSplits()实现:

public List<InputSplit> getSplits(JobContext job) throws IOException {
        StopWatch sw = (new StopWatch()).start();
        long minSize = Math.max(this.getFormatMinSplitSize(), getMinSplitSize(job));
        long maxSize = getMaxSplitSize(job);
        List<InputSplit> splits = new ArrayList();
        List<FileStatus> files = this.listStatus(job);
        Iterator var9 = files.iterator();

        while(true) {
            while(true) {
                while(var9.hasNext()) {
                    FileStatus file = (FileStatus)var9.next();
                    Path path = file.getPath();
                    long length = file.getLen();
                    if (length != 0L) {
                        BlockLocation[] blkLocations;
                        if (file instanceof LocatedFileStatus) {
                            blkLocations = ((LocatedFileStatus)file).getBlockLocations();
                        } else {
                            FileSystem fs = path.getFileSystem(job.getConfiguration());
                            blkLocations = fs.getFileBlockLocations(file, 0L, length);
                        }

                        if (this.isSplitable(job, path)) {
                            long blockSize = file.getBlockSize();
                            long splitSize = this.computeSplitSize(blockSize, minSize, maxSize);

                            long bytesRemaining;
                            int blkIndex;
                            for(bytesRemaining = length; (double)bytesRemaining / (double)splitSize > 1.1D; bytesRemaining -= splitSize) {
                                blkIndex = this.getBlockIndex(blkLocations, length - bytesRemaining);
                                splits.add(this.makeSplit(path, length - bytesRemaining, splitSize, blkLocations[blkIndex].getHosts(), blkLocations[blkIndex].getCachedHosts()));
                            }

                            if (bytesRemaining != 0L) {
                                blkIndex = this.getBlockIndex(blkLocations, length - bytesRemaining);
                                splits.add(this.makeSplit(path, length - bytesRemaining, bytesRemaining, blkLocations[blkIndex].getHosts(), blkLocations[blkIndex].getCachedHosts()));
                            }
                        } else {
                            if (LOG.isDebugEnabled() && length > Math.min(file.getBlockSize(), minSize)) {
                                LOG.debug("File is not splittable so no parallelization is possible: " + file.getPath());
                            }

                            splits.add(this.makeSplit(path, 0L, length, blkLocations[0].getHosts(), blkLocations[0].getCachedHosts()));
                        }
                    } else {
                        splits.add(this.makeSplit(path, 0L, length, new String[0]));
                    }
                }

                job.getConfiguration().setLong("mapreduce.input.fileinputformat.numinputfiles", (long)files.size());
                sw.stop();
                if (LOG.isDebugEnabled()) {
                    LOG.debug("Total # of splits generated by getSplits: " + splits.size() + ", TimeTaken: " + sw.now(TimeUnit.MILLISECONDS));
                }

                return splits;
            }
        }
    }

 

3. 最后确定 mapper 数量在这里:

 1                         if (this.isSplitable(job, path)) {
 2                             long blockSize = file.getBlockSize();
 3                             long splitSize = this.computeSplitSize(blockSize, minSize, maxSize);
 4 
 5                             long bytesRemaining;
 6                             int blkIndex;
 7                             for(bytesRemaining = length; (double)bytesRemaining / (double)splitSize > 1.1D; bytesRemaining -= splitSize) {
 8                                 blkIndex = this.getBlockIndex(blkLocations, length - bytesRemaining);
 9                                 splits.add(this.makeSplit(path, length - bytesRemaining, splitSize, blkLocations[blkIndex].getHosts(), blkLocations[blkIndex].getCachedHosts()));
10                             }
11 
12                             if (bytesRemaining != 0L) {
13                                 blkIndex = this.getBlockIndex(blkLocations, length - bytesRemaining);
14                                 splits.add(this.makeSplit(path, length - bytesRemaining, bytesRemaining, blkLocations[blkIndex].getHosts(), blkLocations[blkIndex].getCachedHosts()));
15                             }

含义:

a. 当 this.isSplitable 开启时,只要当前未分配的大小 bytesRemaining 大于 splitSize 的 1.1 倍,就添加一个 inputSplit, 即一个mapper 被生成。 

b. 最后,不足 1.1 倍splitSize 的残余,补充为一个 mapper。因此,经常发现实际分配的 mapper 数比自己定义的会多 1 个。

c. 为什么设置1.1倍?避免将不足 0.1 倍 splitSize 的量分配为一个 mapper, 避免浪费。

 

4.  重要的两个量:BlockSize 和 splitSize

long blockSize = file.getBlockSize();
long splitSize = this.computeSplitSize(blockSize, minSize, maxSize);

其中,blockSize 是 hdfs 设置的,一般是 64MB 或 128MB,我的 hdfs 中为 128 MB = 132217728L。这个量可认为静态,我们不宜修改。

观察 splitSize 的获得:

1     protected long computeSplitSize(long blockSize, long minSize, long maxSize) {
2         return Math.max(minSize, Math.min(maxSize, blockSize));
3     }

在 getSplits()中找到 minSize, maxSize, blockSize 的赋值:

long minSize = Math.max(this.getFormatMinSplitSize(), getMinSplitSize(job));
long maxSize = getMaxSplitSize(job);

找到这些量的赋值、默认值:

maxSize 的 setter/getter:    除非用户重新设置,否则 maxSize 的默认值为 Long 的最大值 

1 public static void setMaxInputSplitSize(Job job, long size) {
2         job.getConfiguration().setLong("mapreduce.input.fileinputformat.split.maxsize", size);
3     }
4 
5 public static long getMaxSplitSize(JobContext context) {
6         return context.getConfiguration().getLong("mapreduce.input.fileinputformat.split.maxsize", 9223372036854775807L);
7     }

minSize 的 setter/getter:  除非用户重新设置,否则 minSize 的默认值为 1L

protected long getFormatMinSplitSize() {
        return 1L;
    }

public static void setMinInputSplitSize(Job job, long size) {
        job.getConfiguration().setLong("mapreduce.input.fileinputformat.split.minsize", size);
    }

public static long getMinSplitSize(JobContext job) {
        return job.getConfiguration().getLong("mapreduce.input.fileinputformat.split.minsize", 1L);
    }

 

因此容易算出,默认情况下,

long splitSize = this.computeSplitSize(blockSize, minSize, maxSize) = Math.max(Math.max(1L,1L), Math.min(9223372036854775807L, 128M=132217728L)) = 132217728L = 128M

5. 控制 mapper 数量

知道了上面的计算过程,我们要控制 mapper,在 BlockSize 不能动的情况下,就必须控制 minSize 和 maxSize 了。这里主要控制 maxSize。 

 

TextInputFormat.setMinInputSplitSize(job, 1L);//设置minSize
TextInputFormat.setMaxInputSplitSize(job, 10 * 1024 * 1024);//设置maxSize

 

测试输入文件大小为 40MB, 很小, 在默认情况下, 被分配为 1 个或 2 个 mapper 执行成功。

现在希望分配 4 个mapper:那么设置 maxSize 为10M ,那么 splitSize 计算为 10M。对于 40MB 的输入文件,理应分配 4 个mapper。

实际运行,运行了 5 个mapper,认为成功摆脱了默认启动 2 个mapper 的限制,额外多出的 1 个 mapper 则猜测是上文提到的,对残余量的补充 mapper。

 

6. 至此,对Java 本地提交 mapreduce 任务, org.apache.hadoop.mapreduce.lib.input.FileInputFormat 的 mapper num 控制方法如上。接下来讨论 streaming 使用的 org.apache.hadoop.mapred.FileInputFormat 的 mapper 控制。

 

二、streaming 提交 mapreduce 任务, org.apache.hadoop.mapred.FileInputFormat 的 mapper num 控制

1. 可通过 mapreduce.job.maps 直接控制,即使不是绝对精确。原因在下面的源码分析中可以看到。

1 hadoop dfs -rm -r -f /output && 2 
3 hadoop jar /opt/hadoop-3.0.2/share/hadoop/tools/lib/hadoop-streaming-3.0.2.jar 4 -D mapreduce.reduce.tasks=0 5 -D mapreduce.job.maps=7 6 -input /input 7 -output /output 8 -mapper "cat" 9 -inputformat TextInputFormat

 

2. 将 org.apache.hadoop.mapreduce.lib.input.FileInputFormat 中的 maxSize,尝试通过 streaming 的 -D 设置,是无效的。因为 streaming 使用的是 org.apache.hadoop.mapred.FileInputFormat,在下面的源码分析中可以看到。

 

3. 查看 FileInputFormat 的 getSplits 源码

 1     public InputSplit[] getSplits(JobConf job, int numSplits) throws IOException {
 2         StopWatch sw = (new StopWatch()).start();
 3         FileStatus[] files = this.listStatus(job);
 4         job.setLong("mapreduce.input.fileinputformat.numinputfiles", (long)files.length);
 5         long totalSize = 0L;
 6         FileStatus[] var7 = files;
 7         int var8 = files.length;
 8 
 9         for(int var9 = 0; var9 < var8; ++var9) {
10             FileStatus file = var7[var9];
11             if (file.isDirectory()) {
12                 throw new IOException("Not a file: " + file.getPath());
13             }
14 
15             totalSize += file.getLen();
16         }
17 
18         long goalSize = totalSize / (long)(numSplits == 0 ? 1 : numSplits);
19         long minSize = Math.max(job.getLong("mapreduce.input.fileinputformat.split.minsize", 1L), this.minSplitSize);
20         ArrayList<FileSplit> splits = new ArrayList(numSplits);
21         NetworkTopology clusterMap = new NetworkTopology();
22         FileStatus[] var13 = files;
23         int var14 = files.length;
24 
25         for(int var15 = 0; var15 < var14; ++var15) {
26             FileStatus file = var13[var15];
27             Path path = file.getPath();
28             long length = file.getLen();
29             if (length == 0L) {
30                 splits.add(this.makeSplit(path, 0L, length, new String[0]));
31             } else {
32                 FileSystem fs = path.getFileSystem(job);
33                 BlockLocation[] blkLocations;
34                 if (file instanceof LocatedFileStatus) {
35                     blkLocations = ((LocatedFileStatus)file).getBlockLocations();
36                 } else {
37                     blkLocations = fs.getFileBlockLocations(file, 0L, length);
38                 }
39 
40                 if (!this.isSplitable(fs, path)) {
41                     if (LOG.isDebugEnabled() && length > Math.min(file.getBlockSize(), minSize)) {
42                         LOG.debug("File is not splittable so no parallelization is possible: " + file.getPath());
43                     }
44 
45                     String[][] splitHosts = this.getSplitHostsAndCachedHosts(blkLocations, 0L, length, clusterMap);
46                     splits.add(this.makeSplit(path, 0L, length, splitHosts[0], splitHosts[1]));
47                 } else {
48                     long blockSize = file.getBlockSize();
49                     long splitSize = this.computeSplitSize(goalSize, minSize, blockSize);
50 
51                     long bytesRemaining;
52                     String[][] splitHosts;
53                     for(bytesRemaining = length; (double)bytesRemaining / (double)splitSize > 1.1D; bytesRemaining -= splitSize) {
54                         splitHosts = this.getSplitHostsAndCachedHosts(blkLocations, length - bytesRemaining, splitSize, clusterMap);
55                         splits.add(this.makeSplit(path, length - bytesRemaining, splitSize, splitHosts[0], splitHosts[1]));
56                     }
57 
58                     if (bytesRemaining != 0L) {
59                         splitHosts = this.getSplitHostsAndCachedHosts(blkLocations, length - bytesRemaining, bytesRemaining, clusterMap);
60                         splits.add(this.makeSplit(path, length - bytesRemaining, bytesRemaining, splitHosts[0], splitHosts[1]));
61                     }
62                 }
63             }
64         }
65 
66         sw.stop();
67         if (LOG.isDebugEnabled()) {
68             LOG.debug("Total # of splits generated by getSplits: " + splits.size() + ", TimeTaken: " + sw.now(TimeUnit.MILLISECONDS));
69         }
70 
71         return (InputSplit[])splits.toArray(new FileSplit[splits.size()]);
72     }

与 org.apache.hadoop.mapreduce.lib.input.FileInputFormat 相似,但不同之处还是很重要的。主要在

long blockSize = file.getBlockSize();
long splitSize = this.computeSplitSize(goalSize, minSize, blockSize);

赋值:

long goalSize = totalSize / (long)(numSplits == 0 ? 1 : numSplits);
long minSize = Math.max(job.getLong("mapreduce.input.fileinputformat.split.minsize", 1L), this.minSplitSize);

 

4. 追溯这些量

protected long computeSplitSize(long goalSize, long minSize, long blockSize) {
    return Math.max(minSize, Math.min(goalSize, blockSize));
}
private long minSplitSize = 1L;

 

5. 分析

minSize 默认为1L,BlockSize 我的集群为 128M,而 splitSize 就是 BlockSize 和 goalSize 的小值。

goalSize 的计算,就是输入文件总大小与 numSplits 的比值。而 numSplits 就是我们在streaming 中设置的 -D mapreduce.job.maps

因此,在streaming中才可以简单地直接设置 mapper 的数量了。

 




以上是关于MapReduce :基于 FileInputFormat 的 mapper 数量控制的主要内容,如果未能解决你的问题,请参考以下文章

MapReduce :基于 FileInputFormat 的 mapper 数量控制

4 基于Hadoop的平台搭建与MapReduce作业设计

深入浅出MapReduce

深入浅出MapReduce

深入浅出MapReduce

基于MapReduce的并行化大矩阵乘法