Hadoop中分片split的原理解析

一、定义

1、block：block是物理切块，在文件上传到HDFS文件系统后，对大文将以每128MB的大小切分若干，存放在不同的DataNode上；

2、split：split是逻辑切片，在mapreduce中的map task开始之前，将文件按照指定的大小切割成若干个部分，每一部分称为一个split，默认是split的大小与block的大小相等，均为128MB。

注意：在hadoop1.x版本中，block默认的大小为64MB，在hadoop2.x版本修改成了128MB。

二、参数设置

1、block默认配置在hdfs-default.xml中（hadoop-hdfs-x.x.x.jar目录下）

  dfs.blocksize
  134217728
  
      默认block的大小参数配置以字节为单位（例如134217728，128 MB）
      也可以使用如128k，512m，1g等为单位（不区分大小写）
  

注意：默认配置就是最佳实践

2、split大小由minSize、minSize、blocksize决定，以下是默认配置情况下的

• long minSize = 1

long minSize = Math.max(getFormatMinSplitSize(), getMinSplitSize(job));

  protected long getFormatMinSplitSize() {
    return 1;
  }
  
   public static long getMinSplitSize(JobContext job) {
   // SPLIT_MINSIZE默认值为0，因此getMinSplitSize(JobContext job)返回值为1
    return job.getConfiguration().getLong(SPLIT_MINSIZE, 1L);
  }

• long maxSize = MAX_VALUE

  long maxSize = getMaxSplitSize(job);
	
	// 返回默认值MAX_VALUE
    public static long getMaxSplitSize(JobContext context) {
    return context.getConfiguration().getLong(SPLIT_MAXSIZE, 
                                              Long.MAX_VALUE);
  }
  
  // 获取配置文件参数值
  public long getLong(String name, long defaultValue) {
  // 用户为自定义参数属性
    String valueString = getTrimmed(name);
    if (valueString == null)
	// 返回系统默认值，即public static final long MAX_VALUE
      return defaultValue;
    String hexString = getHexDigits(valueString);
    if (hexString != null) {
      return Long.parseLong(hexString, 16);
    }
    return Long.parseLong(valueString);
  }

• blocksize = 134217728

由上面三个参数就可以计算出分片大小了，也能得到如下结论：

Split与block的对应关系可能是多对一，默认是一对一

在mapreduce的FileInputFormat类中的getSplits() 方法对文件进行split，算法如下：

Math.max(minSize,Math.min(maxSize, blockSize))，其中maxSize是取得longValueMax的值

1.如果blockSize小于maxSize && blockSize 大于 minSize之间，那么split就是blockSize（一对一）；

2.如果blockSize小于maxSize && blockSize 小于 minSize之间，那么split就是minSize；

3.如果blockSize大于maxSize && maxSize   大于 minSize之间，那么split就是maxSize（多对一）；

4.如果blockSize大于maxSize && maxSize   小于 minSize之间，那么split就是maxSize（不存在这种关系）。

在优化过程中，若想调整split大小控制map task的数量，原则如下：

文件大小不变，minsize大小默认，增加map task数量，减小maxSize，则split减小

文件大小不变，maxSize大小默认，减小map task数量，增大minSize，则split增大

注意：split大小如何调整，split只能是一个文件的分片，不能让多个小文件“划入”一个split中

三、分装切片对象的主要源码

文件的最后一个分片可能会超过128MB，由于常量SPLIT_SLOP = 1.1决定，大小范围在：0MB < lastSplit < 128+12.8 MB

  /** 
   * 生成切片对象集合，InputSplit对象封装.
   * @param job the job context
   * @throws IOException
   */

  public List getSplits(JobContext job) throws IOException {
    StopWatch sw = new StopWatch().start();
	// 分片最小值，getFormatMinSplitSize()返回值为1，getMinSplitSize(job)返回值为1
    long minSize = Math.max(getFormatMinSplitSize(), getMinSplitSize(job));
	// 分片最大值是常量：public static final long MAX_VALUE
    long maxSize = getMaxSplitSize(job);

    // 生成分片列表
    List splits = new ArrayList();
	// 判断文件是否可用
    List files = listStatus(job);
	// 获取文件路径、大小
    for (FileStatus file: files) {
      Path path = file.getPath();
      long length = file.getLen();
      if (length != 0) {
        BlockLocation[] blkLocations;
		// 获取block位置信息
        if (file instanceof LocatedFileStatus) {
          blkLocations = ((LocatedFileStatus) file).getBlockLocations();
        } else {
          FileSystem fs = path.getFileSystem(job.getConfiguration());
          blkLocations = fs.getFileBlockLocations(file, 0, length);
        }
		// 判断文件是否可切片
        if (isSplitable(job, path)) {
		// 获取block大小，默认128MB
          long blockSize = file.getBlockSize();
		  // 计算split大小，默认128MB
          long splitSize = computeSplitSize(blockSize, minSize, maxSize);
			// 文件大小
          long bytesRemaining = length;
		  // 当文件大小满足bytesRemaining/128 > 1.1 进行切片
		  // private static final double SPLIT_SLOP = 1.1;
          while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {
			// 记录block索引位置
            int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
            splits.add(makeSplit(path, length-bytesRemaining, splitSize,
                        blkLocations[blkIndex].getHosts(),
                        blkLocations[blkIndex].getCachedHosts()));
			// 文件剩余大小
            bytesRemaining -= splitSize;
          }
			// 判断文件是否切片完成
          if (bytesRemaining != 0) {
            int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
            splits.add(makeSplit(path, length-bytesRemaining, bytesRemaining,
                       blkLocations[blkIndex].getHosts(),
                       blkLocations[blkIndex].getCachedHosts()));
          }
        } else { // not splitable
          splits.add(makeSplit(path, 0, length, blkLocations[0].getHosts(),
                      blkLocations[0].getCachedHosts()));
        }
      } else { // 文件大小不满足切片要求
        //Create empty hosts array for zero length files
        splits.add(makeSplit(path, 0, length, new String[0]));
      }
    }
    // Save the number of input files for metrics/loadgen
    job.getConfiguration().setLong(NUM_INPUT_FILES, files.size());
    sw.stop();
    if (LOG.isDebugEnabled()) {
      LOG.debug("Total # of splits generated by getSplits: " + splits.size()
          + ", TimeTaken: " + sw.now(TimeUnit.MILLISECONDS));
    }
    return splits;
  }


	// 计算实际分片大小
  protected long computeSplitSize(long blockSize, long minSize,
                                  long maxSize) {
    return Math.max(minSize, Math.min(maxSize, blockSize));
  }

   // 封装分片信息，文件路径，开始位置，文件大小，主机名，存储该block的所有主机名列表
  protected FileSplit makeSplit(Path file, long start, long length, String[] hosts, 
								String[] inMemoryHosts) {
    return new FileSplit(file, start, length, hosts, inMemoryHosts);
  }