InputFormat接口的定義代碼怎么設(shè)置？

      Hadoop中有五個(gè)編程組件，分別是：InputFormat、Mapper、Reducer、Parttioner、OutputFromat和Canbiner，其中Canbiner的作用是對(duì)Map階段的輸出的重復(fù)數(shù)據(jù)先做一次合并計(jì)算，所以不屬于必屬件。本節(jié)課就來對(duì)MapReducer的這5個(gè)必備組件的代碼操作步驟做一個(gè)簡(jiǎn)單介紹：

　　InputFormat主要用于描述輸入數(shù)據(jù)的格式，它提供以下兩個(gè)功能：

　　數(shù)據(jù)切分：按照某個(gè)策略將輸入數(shù)據(jù)切分成若干個(gè)分片(split)，以便確定MapTask個(gè)數(shù)以及對(duì)應(yīng)的分片(split)。

　　·為Mapper提供輸入數(shù)據(jù)：給定某個(gè)分片(split)，將其解析成一個(gè)一個(gè)的key/value鍵值對(duì)。

　　· Hadoop自帶了一個(gè) InputFormat接口，該接口的定義代碼如下所示：

public abstract class InputFormat {

     public abstract List getSplits(JobContext context

               ) throws IOException, InterruptedException;

     public abstract RecordReadercreateRecordReader(InputSplit split,

                     TaskAttemptContext context

               ) throws IOException, InterruptedException;

  }

　　從上述代碼可以看出，InputFormat接口定義了getSplits()和createRecordReader()兩個(gè)方法，其中，getSplits()方法負(fù)責(zé)將文件切分為多個(gè)分片(split)，createRecordReader()方法負(fù)責(zé)創(chuàng)建RecordReader對(duì)象，用來從分片中讀取數(shù)據(jù)。下面，我們主要對(duì)getSplits()方法進(jìn)行介紹。
      getSplits()方法主要實(shí)現(xiàn)了邏輯切片機(jī)制。其中，切片的大小splitSize是由3個(gè)值確定的，即minSize、maxSize和blockSize。
     minSize：splitSize的最小值，由參數(shù)mapred.min.split.size確定，可在mapred-site.xml中進(jìn)行配置，默認(rèn)為1MB。
     maxSize：splitSize的最大值，由參數(shù)mapreduce.jobtracker.split.metainfo.maxsize確定，可在mapred-site.xml中進(jìn)行設(shè)置，默認(rèn)值為10MB。
     blockSize：HDFS中文件存儲(chǔ)塊的大小，由參數(shù)dfs.block,size確定，可在hdf-site.xml中進(jìn)行修改，默認(rèn)為128MB。

    猜你喜歡：

　Znode儲(chǔ)存結(jié)構(gòu)是怎樣的?節(jié)點(diǎn)類型有幾種?

　Spark的集群安裝與配置簡(jiǎn)介

　傳智播客大數(shù)據(jù)培訓(xùn)課程