Apache Pig 本地处理 bz2 文件？

Question

我可以看到 pig 可以原生读取 .bz2 文件，但我不确定它是否运行显式作业将 bz2 拆分为多个 inputsplit？谁能证实这一点？如果 pig 正在运行一项工作来创建输入拆分，有没有办法避免这种情况？我的意思是一种让 MapReduce 框架将 bz2 文件拆分为框架级别的多个输入的方法？

Answer 1

在 hadoop（或 pig，它只是为您运行 MR 作业）中没有实现可分割的输入格式，这样一个文件被一个作业分割，然后由第二个作业处理。

输入格式定义了一个isSplittable 方法，该方法主要定义文件格式是否可以拆分。除此之外，大多数基于文本的格式将检查文件是否使用已知的压缩编解码器（例如：gzip、bzip2）以及编解码器是否支持拆分（原则上 gzip 不支持，但 bz2 支持）。

如果输入格式/编解码器确实允许拆分文件，则在压缩文件中定义的（和可配置的）点处定义拆分（比如每 64 MB）。当创建映射任务来处理每个拆分时，然后获取输入格式以创建文件的记录读取器，传递读取器应该从哪里开始的拆分信息（64MB 块偏移量）。然后告诉读者寻找分裂的偏移点。此时底层编解码器将在压缩文件中寻找该点，并向前扫描，直到找到下一个压缩块头（在 bz2 的情况下）。然后在从编解码器返回的未压缩流上继续正常读取，直到在未压缩流中通过拆分端点。