vlambda博客
学习文章列表

问题是这样的：

HDFS上存储了一个大小10G不可分割压缩格式的文件(gzip格式)，当有一个mr任务去读取这个文件的时候会产生多少个map task？spark去读取这种不可分割格式的大文件时是怎么处理的呢？

关于这个问题，大家应该都看过这个：

gzip文件最大的特点在于：不可分割。

OK，我们知道gzip不可分割了。那么一个10G的gzip文件在HDFS是怎么存储的呢？

首先，一个10G的gzip文件在HDFS是放在一个DataNode上，但是blocks=ceil(10G/128M)，副本还是3份(hadoop2.0 默认)，因为gzip不可分割。

意思就是，这个gzip文件会被存储在一个DataNode上，但是占用的block数量还是 10G/每个block的大小(假设是128M)，并且向上取整。

其次，MapReduce在读gzip文件的时候要指定解压方法，就是GzipCodec。然后用InputStream方法去读，MapTask的个数和读取一般文件的个数是一样的。

关于Hadoop Maptask个数，有一个计算公式。代码逻辑和计算公式如下：

作业从JobClient端的submitJobInternal()方法提交作业的同时，调用InputFormat接口的getSplits()方法来创建split。默认是使用InputFormat的子类FileInputFormat来计算分片，而split的默认实现为FileSplit(其父接口为InputSplit)。这里要注意，split只是逻辑上的概念，并不对文件做实际的切分。一个split记录了一个Map Task要处理的文件区间，所以分片要记录其对应的文件偏移量以及长度等。每个split由一个Map Task来处理，所以有多少split，就有多少Map Task。下面着重分析这个方法：

public List<InputSplit> getSplits(JobContext job
                                    ) throws IOException {
    //getFormatMinSplitSize()：始终返回1
    //getMinSplitSize(job)：获取” mapred.min.split.size”的值，默认为1
    long minSize = Math.max(getFormatMinSplitSize(), getMinSplitSize(job));

    //getMaxSplitSize(job)：获取"mapred.max.split.size"的值，
    //默认配置文件中并没有这一项，所以其默认值为” Long.MAX_VALUE”，即2^63 – 1
    long maxSize = getMaxSplitSize(job);

    // generate splits
    List<InputSplit> splits = new ArrayList<InputSplit>();
    List<FileStatus>files = listStatus(job);
    for (FileStatus file: files) {
      Path path = file.getPath();
      FileSystem fs = path.getFileSystem(job.getConfiguration());
      long length = file.getLen();
      BlockLocation[] blkLocations = fs.getFileBlockLocations(file, 0, length);
      if ((length != 0) && isSplitable(job, path)) {
        long blockSize = file.getBlockSize();
        //计算split大小
        long splitSize = computeSplitSize(blockSize, minSize, maxSize);

        //计算split个数
        long bytesRemaining = length;    //bytesRemaining表示剩余字节数
        while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) { //SPLIT_SLOP=1.1
          int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
          splits.add(new FileSplit(path, length-bytesRemaining, splitSize,
                                   blkLocations[blkIndex].getHosts()));
          bytesRemaining -= splitSize;
        }

        if (bytesRemaining != 0) {
          splits.add(new FileSplit(path, length-bytesRemaining, bytesRemaining,
                     blkLocations[blkLocations.length-1].getHosts()));
        }
      } else if (length != 0) {
        splits.add(new FileSplit(path, 0, length, blkLocations[0].getHosts()));
      } else {
        //Create empty hosts array for zero length files
        splits.add(new FileSplit(path, 0, length, new String[0]));
      }
    }

    // Save the number of input files in the job-conf
    job.getConfiguration().setLong(NUM_INPUT_FILES, files.size());

    LOG.debug("Total # of splits: " + splits.size());
    return splits;
  }

首先计算分片的下限和上限：minSize和maxSize，具体的过程在注释中已经说清楚了。接下来用这两个值再加上blockSize来计算实际的split大小，过程也很简单，具体代码如下：

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

接下来就是计算实际的分片个数了。针对每个输入文件，计算input split的个数。while循环的含义如下：

• 文件剩余字节数/splitSize > 1.1，创建一个split，这个split的字节数=splitSize，文件剩余字节数=文件大小 - splitSize；
• 文件剩余字节数/splitSize < 1.1，剩余的部分全都作为一个split(这主要是考虑到，不用为剩余的很少的字节数一些启动一个Map Task)

我们发现，在默认配置下，split大小和block大小是相同的。这是不是为了防止这种情况：

一个split如果对应的多个block，若这些block大多不在本地，则会降低Map Task的本地性，降低效率。到这里split的划分就介绍完了，但是有两个问题需要考虑：

1. 如果一个record跨越了两个block该怎么办？

这个可以看到，在Map Task读取block的时候，每次是读取一行的，如果发现块的开头不是上一个文件的结束，那么抛弃第一条record，因为这个record会被上一个block对应的Map Task来处理。那么，第二个问题来了：

2. 上一个block对应的Map Task并没有最后一条完整的record，它又该怎么办？

一般来说，Map Task在读block的时候都会多读后续的几个block，以处理上面的这种情况。

最后，Spark在读取gzip这种不可分割文件的时候，就退化成从单个task读取、单个core执行任务，很容易产生性能瓶颈。你可以做个测试。在spark的页面上可以看到效果。

基于以上所以，gzip格式最好提前进行分割成小文件或者换格式，因多个文件可以并行读取。另一个办法是read文件后调用repartition操作强制将读取多数据重新均匀分配到不同的executor上，但这个操作会导致大量单节点性能占用，因此该格式建议不在spark上使用。

gzip问题这么多，常用的场景我能想到的只有一个，就是每天的日志文件。单个日志文件不太大，百兆以内。其他的场景暂时想不到。