hadoop 分片与分块

参考：http://blog.csdn.net/dr_guo/article/details/51150278

Paste_Image.png

重点概念：

输入分片（Input Split）：在进行map计算之前，mapreduce会根据输入文件计算输入分片（input split），
每个输入分片（input split）针对一个map任务，输入分片（input split）存储的并非数据本身，而是一个分片长度和一个记录数据的位置的数组。

场景具体分析：

由于 app click show的日志都是 1M 15M的小文件，在hadoop框架中对小文件做了优化，将多个数据合并成一个分片split ，交给mapper处理。
导致，mapper中 inputSplit.getPath()获取的是多个文件的列表。而 实时ctr代码中，直接取列表的第1个，来做判断，所以出错。

方案：

将hadoop默认的优化，进行自定义处理，即在job run之前添加 job.setInputFormatClass(TextInputFormat.class);
这样，每个小文件，将作为一个独立的分片split, 对应一个独立的 mapper ，你再用inputSplit.getPath()就能得到唯一确定的路径了

就解决了”click 、show错当成对方“ 的情况。