textFile构建RDD的分区及compute计算策略
1,textFile
A),第一点,就是输入格式,key,value类型及并行度的意义。
def textFile(
path: String,
minPartitions: Int = defaultMinPartitions): RDD[String] = withScope {
assertNotStopped()
//输入文件的格式TextInputFormat,key的类型LongWritable ,value的类型Text
//最小分区数defaultMinPartitions
hadoopFile(path, classOf[TextInputFormat], classOf[LongWritable], classOf[Text],
minPartitions).map(pair => pair._2.toString).setName(path)
}
并行度
conf.getInt("spark.default.parallelism", math.max(totalCoreCount.get(), 2))
真正意义是啥?实际是决定我们goalSize的值。并不决定我们的分区数。
B),hadoopRDD的getPartition方法。
主要是获取分片的过程通过调用FileInputFormat.getSplits方法来实现分片。主要有一下几个步骤:
1) ,获取所有 FileStatus
FileStatus[] files = listStatus(job);
ListStatus方法里面:
1,判断是否需要递归
boolean recursive = job.getBoolean(INPUT_DIR_RECURSIVE, false);
2,接着是创建路径过滤器,筛选掉一些我们不需要的文件,入以_,.开头的
List<PathFilter> filters = new ArrayList<PathFilter>();
filters.add(hiddenFileFilter);
PathFilter jobFilter = getInputPathFilter(job);
if (jobFilter != null) {
filters.add(jobFilter);
}
PathFilter inputFilter = new MultiPathFilter(filters);
3,根据mapreduce.input.fileinputformat.list-status.num-threads决定是并发还是单线程
FileStatus[] result;
int numThreads = job
.getInt(
org.apache.hadoop.mapreduce.lib.input.FileInputFormat.LIST_STATUS_NUM_THREADS,
org.apache.hadoop.mapreduce.lib.input.FileInputFormat.DEFAULT_LIST_STATUS_NUM_THREADS);
Stopwatch sw = new Stopwatch().start();
if (numThreads == 1) {
List<FileStatus> locatedFiles = singleThreadedListStatus(job, dirs, inputFilter, recursive);
result = locatedFiles.toArray(new FileStatus[locatedFiles.size()]);
} else {
Iterable<FileStatus> locatedFiles = null;
try {
LocatedFileStatusFetcher locatedFileStatusFetcher = new LocatedFileStatusFetcher(
job, dirs, recursive, inputFilter, false);
locatedFiles = locatedFileStatusFetcher.getFileStatuses();
} catch (InterruptedException e) {
throw new IOException("Interrupted while getting file statuses");
}
result = Iterables.toArray(locatedFiles, FileStatus.class);
}
2) ,获取目标分片goalsize和最小minsize
long goalSize = totalSize / (numSplits == 0 ? 1 : numSplits);
long minSize = Math.max(job.getLong(org.apache.hadoop.mapreduce.lib.input.
FileInputFormat.SPLIT_MINSIZE, 1), minSplitSize);
3) ,判断文件是否支持切分,不压缩或者压缩方式为BZip2Codec支持切分
protected boolean isSplitable(FileSystem fs, Path file) {
final CompressionCodec codec = compressionCodecs.getCodec(file);
if (null == codec) {
return true;
}
return codec instanceof SplittableCompressionCodec;
}
支持切分就进行切分分片,切分分片大小为
Math.max(minSize, Math.min(maxSize, blockSize));
不支持切分的话就直接返回一个文件一个分片
最终,用InputSplit构建HadoopPartition
C),接着进入compute方法
重点掌握根据指定分片获取reader
reader = inputFormat.getRecordReader(split.inputSplit.value, jobConf, Reporter.NULL)
实际上是在TextInputFormat构建了
new LineRecordReader(job, (FileSplit) genericSplit,
recordDelimiterBytes);
还有就是识别不同系统的过程,比如hdfs ,本地file,tachyon。
final FileSystem fs = file.getFileSystem(job);
里面会根据uri获取scheme,然后构建为"fs." + scheme + ".impl" 通过反射的到相应的对象。
clazz = (Class<? extends FileSystem>) conf.getClass("fs." + scheme + ".impl", null);
类加载器为Configuration对象里面初始化的
private ClassLoader classLoader;
{
classLoader = Thread.currentThread().getContextClassLoader();
if (classLoader == null) {
classLoader = Configuration.class.getClassLoader();
}
}
而此,configuration对象是在compute方法中通过jobConf = getJobConf()获得的实际是
从Driver端发送过来的。
val conf: Configuration = broadcastedConf.value.value
由此可以得到结论是tachyon使用是依赖,必须方法系统类加载器的Classpath中去