hadoop - 什么决定了 map() 将被调用多少次？

Question

我有一个文本文件和一个解析器，它将解析每一行并存储到我的 customSplitInput 中，我在自定义 FileInputFormat 阶段进行解析，因此我的拆分是自定义的。现在，我有 2 个拆分，每个拆分中包含我的数据列表。

但现在，我的映射器函数在同一拆分上被重复调用。我认为映射器函数只会根据您拥有的拆分数调用？

我不知道这是否适用，但我的自定义 InputSplit 为 getLength() 返回一个固定数字，为 getLocation() 返回一个空字符串数组。我不确定要为这些添加什么。

@Override
    public RecordReader<LongWritable, ArrayWritable> createRecordReader(
            InputSplit input, TaskAttemptContext taskContext)
            throws IOException, InterruptedException {
        logger.info(">>> Creating Record Reader");
        CustomRecordReader recordReader = new CustomRecordReader(
                (EntryInputSplit) input);
        return recordReader;
    }

Answer 1

map() 为您的 InputFormat 中(或被其引用)的 RecordReader 中的每条记录调用一次。例如，TextInputFormat 为输入中的每一行调用 map()，即使拆分中通常有很多行也是如此。