用CombineFileInputFormat优化Hadoop小文件

我们都知道，HDFS设计是用来存储海量数据的，特别适合存储TB、PB量级别的数据。但是随着时间的推移，HDFS上可能会存在大量的小文件，这里说的小文件指的是文件大小远远小于一个HDFS块(128MB)的大小;HDFS上存在大量的小文件至少会产生以下影响：

消耗NameNode大量的内存
延长MapReduce作业的总运行时间

本文将介绍如何在MapReduce作业层面上将大量的小文件合并，以此减少运行作业的Map Task的数量;关于如何在HDFS上合并这些小文件，请参见《Hadoop小文件优化》。

Hadoop内置提供了一个CombineFileInputFormat类来专门处理小文件，其核心思想是：根据一定的规则，将HDFS上多个小文件合并到一个InputSplit中，然后会启用一个Map来处理这里面的文件，以此减少MR整体作业的运行时间。

CombineFileInputFormat类继承自FileInputFormat，主要重写了ListgetSplits(JobContext job)方法;这个方法会根据数据的分布，mapreduce.input.fileinputformat.split.minsize.per.node、mapreduce.input.fileinputformat.split.minsize.per.rack以及mapreduce.input.fileinputformat.split.maxsize参数的设置来合并小文件，并生成List。其中mapreduce.input.fileinputformat.split.maxsize参数至关重要：

如果用户没有设置这个参数(默认就是没设置)，那么同一个机架上的所有小文件将组成一个InputSplit，最终由一个Map Task来处理;
如果用户设置了这个参数，那么同一个节点(node)上的文件将会组成一个InputSplit。

同一个InputSplit包含了多个HDFS块文件，这些信息存储在CombineFileSplit类中，它主要包含以下信息：

从上面的定义可以看出，CombineFileSplit类包含了每个块文件的路径、起始偏移量、相对于原始偏移量的大小以及这个文件的存储节点，因为一个CombineFileSplit包含了多个小文件，所以需要使用数组来存储这些信息。

CombineFileInputFormat是抽象类，如果我们要使用它，需要实现createRecordReader方法，告诉MR程序如何读取组合的InputSplit。内置实现了两种用于解析组合InputSplit的类：org.apache.hadoop.mapreduce.lib.input.CombineTextInputFormat和org.apache.hadoop.mapreduce.lib.input.CombineSequenceFileInputFormat，我们可以把这两个类理解是TextInputFormat和SequenceFileInputFormat。为了简便，这里主要来介绍CombineTextInputFormat。

在CombineTextInputFormat中创建了org.apache.hadoop.mapreduce.lib.input.CombineFileRecordReader，具体如何解析CombineFileSplit中的文件主要在CombineFileRecordReader中实现。

CombineFileRecordReader类中其实封装了TextInputFormat的RecordReader，并对CombineFileSplit中的多个文件循环遍历并读取其中的内容，初始化每个文件的RecordReader主要在initNextRecordReader里面实现;每次初始化新文件的RecordReader都会设置mapreduce.map.input.file、mapreduce.map.input.length以及mapreduce.map.input.start参数，这样我们可以在Map程序里面获取到当前正在处理哪个文件。

现在我们就来看看如何使用CombineTextInputFormat类，如下：

packagecom.iteblog.hadoop.examples;
importorg.apache.commons.logging.Log;
importorg.apache.commons.logging.LogFactory;
importorg.apache.hadoop.conf.Configuration;
importorg.apache.hadoop.conf.Configured;
importorg.apache.hadoop.fs.Path;
importorg.apache.hadoop.io.LongWritable;
importorg.apache.hadoop.io.Text;
importorg.apache.hadoop.mapreduce.InputSplit;
importorg.apache.hadoop.mapreduce.Job;
importorg.apache.hadoop.mapreduce.MRJobConfig;
importorg.apache.hadoop.mapreduce.Mapper;
importorg.apache.hadoop.mapreduce.lib.input.CombineTextInputFormat;
importorg.apache.hadoop.mapreduce.lib.input.FileInputFormat;
importorg.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
importorg.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
importorg.apache.hadoop.util.Tool;
importorg.apache.hadoop.util.ToolRunner;
importjava.io.IOException;
importjava.util.List;

publicclass privatestaticfinalLog LOG = LogFactory.getLog(HadoopTest.class);
privatestaticfinallongONE_MB =1024* 1024L;
staticclassTextFileMapperextendsMapper {
@Override
protectedvoidmap(LongWritable key, Text value, Context context)
throwsIOException, InterruptedException {
Configuration configuration = context.getConfiguration();
LOG.warn("#######################"+ configuration.get(MRJobConfig.MAP_INPUT_FILE));
Text filenameKey =newText(configuration.get(MRJobConfig.MAP_INPUT_FILE));
context.write(filenameKey, value);
}
}
publicstaticvoidmain(String[] args)throwsException {
intexitCode = ToolRunner.run(newHadoopTest(), args);
System.exit(exitCode);
}
@Override
publicintrun(String[] args)throwsException {
Configuration conf =newConfiguration(getConf());
conf.set("mapreduce.input.fileinputformat.split.maxsize", ONE_MB *32);
Job job = Job.getInstance(conf);
FileInputFormat.setInputPaths(job, args[0]);
FileOutputFormat.setOutputPath(job,newPath(args[1]));
job.setJarByClass(HadoopTest.class);
job.setInputFormatClass(CombineTextInputFormat.class);
job.setOutputFormatClass(TextOutputFormat.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(Text.class);
job.setMapperClass(TextFileMapper.class);
returnjob.waitForCompletion(true) ?0:1;
}
}