Mapreduce源码分析（一）：FileInputFormat切片机制，源码详解

FileInputFormat切片机制，源码详解

1.InputFormat：抽象类

只有两个抽象方法

public abstract List<InputSplit> getSplits(JobContext var1) throws IOException, InterruptedException;

public abstract RecordReader<K, V> createRecordReader(InputSplit var1, TaskAttemptContext var2) throws IOException, InterruptedException;

2.FileInputFormat：抽象类

继承了 InputFormat

实现了 getSplits方法，没有实现 createRecordReader方法，而是有它的子类TextInputFormat处理的是文本文件，实现了createRecordReader方法，其实他还有个子类SequenceFileInputFormat 是 Hadoop 定义的一种二进制形式存放的键/值文件，感兴趣的可以去了解下，现在主要讲解处理文本文件。

主要参数：

可以在hadoop中的mapred.site.xml中配置

//INPUT_DIR：输入路径，用逗号做分割。
public static final String INPUT_DIR = "mapreduce.input.fileinputformat.inputdir";
//SPLIT_MAXSIZE：最大的划分大小
public static final String SPLIT_MAXSIZE="mapreduce.input.fileinputformat.split.maxsize";
//SPLIT_MINSIZE：最小的划分大小
public static final String SPLIT_MINSIZE="mapreduce.input.fileinputformat.split.minsize";
//PATHFILTER_CLASS：输入文件过滤器，通过过滤器的文件才会加入 InputFormat；
public static final String PATHFILTER_CLASS = "mapreduce.input.pathFilter.class";
//剩余文件长度/切片数如果小于1.1归并到上一个切片中，如果大于1.1则新开个切片存放，逻辑切片是虚拟的
private static final double SPLIT_SLOP = 1.1;

主要方法：

• protected List listStatus(JobContext job)

递归获取输入数据目录中的所有文件（包括文件信息），输入的 job 是系统运行的配置 Configuration，包含了上面我们提到的参数。

protected List<FileStatus> listStatus(JobContext job) throws IOException {
        Path[] dirs = getInputPaths(job);
        if (dirs.length == 0) {
            throw new IOException("No input paths specified in job");
        } else {
            TokenCache.obtainTokensForNamenodes(job.getCredentials(), dirs,job.getConfiguration());
            boolean recursive = getInputDirRecursive(job);
            List<PathFilter> filters = new ArrayList();
            filters.add(hiddenFileFilter);
            PathFilter jobFilter = getInputPathFilter(job);
            if (jobFilter != null) {
                filters.add(jobFilter);
            }

            PathFilter inputFilter = new FileInputFormat.MultiPathFilter(filters);
            List<FileStatus> result = null;
            int numThreads = job.getConfiguration().getInt("mapreduce.input.fileinputformat.list-status.num-threads", 1);
            Stopwatch sw = (new Stopwatch()).start();
            if (numThreads == 1) {
                result = this.singleThreadedListStatus(job, dirs, inputFilter, recursive);
            } else {
                Iterable locatedFiles = null;

                try {
                    LocatedFileStatusFetcher locatedFileStatusFetcher = new LocatedFileStatusFetcher(job.getConfiguration(), dirs, recursive, inputFilter, true);
                    locatedFiles = locatedFileStatusFetcher.getFileStatuses();
                } catch (InterruptedException var12) {
                    throw new IOException("Interrupted while getting file statuses");
                }

                result = Lists.newArrayList(locatedFiles);
            }

            sw.stop();
            if (LOG.isDebugEnabled()) {
                LOG.debug("Time taken to get FileStatuses: " + sw.elapsedMillis());
            }

            LOG.info("Total input paths to process : " + ((List)result).size());
            return (List)result;
        }
    }

• public List getSplits(JobContext job)

此方法主要为了对文件进行切片规划

参数：JobContext job

public List<InputSplit> getSplits(JobContext job) throws IOException {
    //启动线程
    Stopwatch sw = new Stopwatch().start();
    //最小分片大小：getFormatMinSplitSize=1L，getMinSplitSize(job)可以设置的分片大小，默认为1L
    long minSize = Math.max(getFormatMinSplitSize(), getMinSplitSize(job));
    //最大分片大小：可设置，默认为9223372036854775807L
    long maxSize = getMaxSplitSize(job);

    // generate splits
    //创建一个集合保存切割的逻辑分片
    List<InputSplit> splits = new ArrayList<InputSplit>();
    //通过listStatus(job)方法，把传进来的目录下所有的文件放到集合中
    List<FileStatus> files = listStatus(job);
    //遍历文件
    for (FileStatus file: files) {
      //文件路径
      Path path = file.getPath();
      //文件长度
      long length = file.getLen();
       //文件长度不为0 
      if (length != 0) {
        //创建一个数组保存数据块地址对象，具体属性在下面有介绍
        BlockLocation[] blkLocations;
          //文件类型是不是带有切片状态的文件
        if (file instanceof LocatedFileStatus) {
          //所有数据块的位置放入到数组中  
          blkLocations = ((LocatedFileStatus) file).getBlockLocations();
        } else {
           //把文件变成带有切片状态的文件    
          FileSystem fs = path.getFileSystem(job.getConfiguration());
            //所有数据块的位置放入到数组中  
          blkLocations = fs.getFileBlockLocations(file, 0, length);
        }
        if (isSplitable(job, path)) {
            //获取数据块大小
          long blockSize = file.getBlockSize();
            //计算逻辑切片大小，在下面有介绍
          long splitSize = computeSplitSize(blockSize, minSize, maxSize);
			
          long bytesRemaining = length;
            //开始切片，剩余长度/切片大小
          while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {
            int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
            splits.add(makeSplit(path, length-bytesRemaining, splitSize,
                        blkLocations[blkIndex].getHosts(),
                        blkLocations[blkIndex].getCachedHosts()));
              //剩余文件长度
            bytesRemaining -= splitSize;
          }
			//这时文件剩余长度/切片数要么等于0要么小于1.1，剩余的文件长度很小了
          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，文件不可切片
          splits.add(makeSplit(path, 0, length, blkLocations[0].getHosts(),
                      blkLocations[0].getCachedHosts()));
        }
      } else { //如果文件长度为空创建个空片
        //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());
    //线程停止
    sw.stop();
    if (LOG.isDebugEnabled()) {
        //log4j日志输出
      LOG.debug("Total # of splits generated by getSplits: " + splits.size()
          + ", TimeTaken: " + sw.elapsedMillis());
    }
    //返回切片数组
    return splits;
  }

• protected FileSplit makeSplit(Path file, long start, long length,

​ String[] hosts, String[] inMemoryHosts)

创建切片对象

protected FileSplit makeSplit(Path file, long start, long length, 
                                String[] hosts, String[] inMemoryHosts) {
    return new FileSplit(file, start, length, hosts, inMemoryHosts);
  }

返回值为FileSplit类型它继承InputSplit抽象类和实现类Writable序列化接口，包含以下属性：

public class FileSplit extends InputSplit implements Writable {
  private Path file;//文件路径
  private long start;//起始位置（偏移量）
  private long length;//划分长度
  private String[] hosts;//存储位置
  private SplitLocationInfo[] hostInfos;

• protected long computeSplitSize(long blockSize, long minSize,long maxSize)

计算数据块大小，取最小划分、最大划分、数据块大小的中间值，可以通过设置最小划分和最大划分来改变切片大小，如果不设置，那么就默认为数据块大小一样

protected long computeSplitSize(long blockSize, long minSize,long maxSize) {
    //分片
    return Math.max(minSize, Math.min(maxSize, blockSize));
}

TextInputFormat

主要方法：createRecordReader

参数：InputSplit

public RecordReader<LongWritable, Text> createRecordReader(InputSplit split, TaskAttemptContext context) {
        String delimiter = 
        //textinputformat.record.delimiter系统的回车    
        context.getConfiguration().get("textinputformat.record.delimiter");
        byte[] recordDelimiterBytes = null;
        if (null != delimiter) {
            recordDelimiterBytes = delimiter.getBytes(Charsets.UTF_8);
        }

        return new LineRecordReader(recordDelimiterBytes);
}

实体类：TextInputFormat 继承了 FileInputFormat

public class TextInputFormat extends FileInputFormat<LongWritable, Text>

重写了

 @Override
  public RecordReader<LongWritable, Text> 
    createRecordReader(InputSplit split, TaskAttemptContext context) {
      //textinputformat.record.delimiter自定义分隔符，默认时回车符。
    String delimiter = context.getConfiguration().get(
        "textinputformat.record.delimiter");
    byte[] recordDelimiterBytes = null;
    if (null != delimiter)
        //把分隔符变成字节流，并且编码格式是UTF-8
      recordDelimiterBytes = delimiter.getBytes(Charsets.UTF_8);
      //返回一个
    return new LineRecordReader(recordDelimiterBytes);
  }

3.BlockLocation：数据块位置

主要存放数据块的信息

属性介绍：

//hosts:数据块存放的地址
private String[] hosts;
//缓存地址
private String[] cachedHosts;
//数据块的名称
private String[] names;
//拓扑的路径
private String[] topologyPaths;
//偏移量
private long offset;
//长度
private long length;
private boolean corrupt;