Hadoop2.6.0学习笔记（四）TextInputFormat及RecordReader解析
鲁春利的工作笔记，谁说程序员不能有文艺范？
一个最简单的MapReduce程序
package com.lucl.hadoop.mapreduce;
public class MiniMRDriver extends Configured implements Tool {
public static void main(String[] args) {
try {
ToolRunner.run(new MiniMRDriver(), args);
} catch (Exception e) {
e.printStackTrace();
}
}
@Override
public int run(String[] args) throws Exception {
Job job = Job.getInstance(this.getConf(), this.getClass().getSimpleName());
job.setJarByClass(MiniMRDriver.class);
FileInputFormat.addInputPath(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
return job.waitForCompletion(true) ? 0 : 1;
}
}
查看MapReduce任务的数据
[hadoop@nnode code]$ hdfs dfs -text /data/HTTP_SITE_FLOW.log 视频网站 15 1527 信息安全 20 3156 站点统计 24 6960 搜索引擎 28 3659 站点统计 3 1938 综合门户 15 1938 搜索引擎 21 9531 搜索引擎 63 11058 [hadoop@nnode code]$
打包运行该MapReduce程序
[hadoop@nnode code]$ hadoop jar MiniMR.jar /data/HTTP_SITE_FLOW.log /201511302119 15/11/30 21:19:46 INFO client.RMProxy: Connecting to ResourceManager at nnode/192.168.137.117:8032 15/11/30 21:19:48 INFO input.FileInputFormat: Total input paths to process : 1 15/11/30 21:19:48 INFO mapreduce.JobSubmitter: number of splits:1 15/11/30 21:19:49 INFO mapreduce.JobSubmitter: Submitting tokens for job: job_1448889273221_0001 15/11/30 21:19:50 INFO impl.YarnClientImpl: Submitted application application_1448889273221_0001 15/11/30 21:19:50 INFO mapreduce.Job: The url to track the job: http://nnode:8088/proxy/application_1448889273221_0001/ 15/11/30 21:19:50 INFO mapreduce.Job: Running job: job_1448889273221_0001 15/11/30 21:20:26 INFO mapreduce.Job: Job job_1448889273221_0001 running in uber mode : false 15/11/30 21:20:26 INFO mapreduce.Job: map 0% reduce 0% 15/11/30 21:20:59 INFO mapreduce.Job: map 100% reduce 0% 15/11/30 21:21:30 INFO mapreduce.Job: map 100% reduce 100% 15/11/30 21:21:31 INFO mapreduce.Job: Job job_1448889273221_0001 completed successfully 15/11/30 21:21:31 INFO mapreduce.Job: Counters: 49 File System Counters FILE: Number of bytes read=254 FILE: Number of bytes written=213863 FILE: Number of read operations=0 FILE: Number of large read operations=0 FILE: Number of write operations=0 HDFS: Number of bytes read=277 HDFS: Number of bytes written=194 HDFS: Number of read operations=6 HDFS: Number of large read operations=0 HDFS: Number of write operations=2 Job Counters Launched map tasks=1 Launched reduce tasks=1 Data-local map tasks=1 Total time spent by all maps in occupied slots (ms)=30256 Total time spent by all reduces in occupied slots (ms)=27787 Total time spent by all map tasks (ms)=30256 Total time spent by all reduce tasks (ms)=27787 Total vcore-seconds taken by all map tasks=30256 Total vcore-seconds taken by all reduce tasks=27787 Total megabyte-seconds taken by all map tasks=30982144 Total megabyte-seconds taken by all reduce tasks=28453888 Map-Reduce Framework Map input records=8 Map output records=8 Map output bytes=232 Map output materialized bytes=254 Input split bytes=103 Combine input records=0 Combine output records=0 Reduce input groups=8 Reduce shuffle bytes=254 Reduce input records=8 Reduce output records=8 Spilled Records=16 Shuffled Maps =1 Failed Shuffles=0 Merged Map outputs=1 GC time elapsed (ms)=182 CPU time spent (ms)=2000 Physical memory (bytes) snapshot=305459200 Virtual memory (bytes) snapshot=1697824768 Total committed heap usage (bytes)=136450048 Shuffle Errors BAD_ID=0 CONNECTION=0 IO_ERROR=0 WRONG_LENGTH=0 WRONG_MAP=0 WRONG_REDUCE=0 File Input Format Counters Bytes Read=174 File Output Format Counters Bytes Written=194 [hadoop@nnode code]$
查看输出结果
[hadoop@nnode code]$ hdfs dfs -ls /201511302119 Found 2 items -rw-r--r-- 2 hadoop hadoop 0 2015-11-30 21:21 /201511302119/_SUCCESS -rw-r--r-- 2 hadoop hadoop 194 2015-11-30 21:21 /201511302119/part-r-00000 [hadoop@nnode code]$ hdfs dfs -text /201511302119/part-r-00000 0 视频网站 15 1527 22 信息安全 20 3156 44 站点统计 24 6960 66 搜索引擎 28 3659 88 站点统计 3 1938 109 综合门户 15 1938 131 搜索引擎 21 9531 153 搜索引擎 63 11058 [hadoop@nnode code]$
在这里没有指定Mapper类、Reducer类，并通过FileInputFormat和FileOutputFormat指定了输入数据及输出结果存储路径，执行后把行偏移量和行内容保存到了指定的输出路径下。
FileInputFormat的默认实现为TextInputFormat，专门用来处理文本数据，以回车换行符作为一行的分割标记，其中key为该行的行偏移量，value为这一行内容。
类定义如下：
public class TextInputFormat extends FileInputFormat<LongWritable, Text> {
@Override
public RecordReader<LongWritable, Text> createRecordReader(InputSplit split,
TaskAttemptContext context) {
// 略
return new LineRecordReader(recordDelimiterBytes);
}
@Override
protected boolean isSplitable(JobContext context, Path file) {
// 是否可切片
}
}
在Job任务中可以通过public void setInputFormatClass(Class<? extends InputFormat> cls）方法设定希望使用的InputFormat格式。
public abstract class InputFormat<K, V> {
public abstract List<InputSplit> getSplits(JobContext context)
throws IOException, InterruptedException;
public abstract RecordReader<K,V> createRecordReader(InputSplit split,
TaskAttemptContext context
) throws IOException, InterruptedException;
}
文件在HDFS上是以Block块的形式存储的，而在MapReduce计算中则是以划分的切片（split后称为split分片或chunk）进行读取的，每个split的就对应一个mapper task，split的数量决定了mappertask的数量。
注意：MapReduce是由Mapper和Reducer组成的，MapperTask由split决定，那么Reducer由什么来决定呢？后面会逐渐通过示例代码进行说明
List<InputSplit> getSplits(JobContext context)负责将一个大数据逻辑分成多片。比如数据库表有100条数据，按照主键ID升序存储，假设每20条分成一片，这个List的大小就是5，然后每个InputSplit记录两个参数，第一个为这个分片的起始ID，第二个为这个分片数据的大小（这里是20）。InputSplit并没有真正存储数据，只是提供了一个如何将数据分片的方法。
RecordReader<K, V) createRecordReader(InputSplit split, TaskAttemptContext context)根据InputSplit定义的分片方法，返回一个能够读取分片记录的RecordReader。
InputSplit类定义
public abstract class InputSplit {
// Split分片的大小，用来实现输入的split的排序
public abstract long getLength() throws IOException, InterruptedException;
// 用来获取存储分片的位置列表
public abstract String[] getLocations() throws IOException, InterruptedException;
}
RecordReader类定义
public abstract class RecordReader<KEYIN, VALUEIN> implements Closeable {
public abstract void initialize(InputSplit split,TaskAttemptContext context
) throws IOException, InterruptedException;
public abstract boolean nextKeyValue() throws IOException, InterruptedException;
public abstract KEYIN getCurrentKey() throws IOException, InterruptedException;
public abstract VALUEIN getCurrentValue() throws IOException, InterruptedException;
public abstract float getProgress() throws IOException, InterruptedException;
public abstract void close() throws IOException;
}
InputSplit描述了数据块的切分方式，RecordReader类则是实际用来加载split分片数据，并把数据转换为适合Mapper类里面map()方法处理的<key, value>形式。
RecordReader实例是由输入格式定义的，默认的输入格式为TextInputFormat，提供了一个LineRecordReader，把每一行的行偏移量作为key，把内容作为value。RecordReader会在输入块上被反复调用，直到整个输入块被处理完毕，每一次调用RecordReader都会调用Mapper类的map()函数。
TextInputFormat并没有getSplits的实现，而是其父类FileInputFormat进行了实现。
public abstract class FileInputFormat<K, V> extends InputFormat<K, V> {
// Generate the list of files and make them into FileSplits
public List<InputSplit> getSplits(JobContext job) throws IOException {
// 1. 通过JobContext中获取List<FileStatus>；
// 2. 遍历文件属性数据
// 2.1. 如果是空文件，则初始化一个无主机信息的FileSplits实例；
// 2.2. 非空文件,判断是否分片，默认是分片的
// 如果不分片则每个文件作为一个FileSplit
// 计算分片大小splitSize
// getFormatMinSplitSize()返回固定值1
// getMinSplitSize(job)通过Configuration获取，配置参数为(mapred-default.xml)：
// mapreduce.input.fileinputformat.split.minsize默认值为0
// minSize的值为1
long minSize = Math.max(getFormatMinSplitSize(), getMinSplitSize(job));
// 实际调用context.getConfiguration().getLong(SPLIT_MAXSIZE, Long.MAX_VALUE);
// 通过Configuration获取，配置参数为(mapred-default.xml无该参数)：
// mapreduce.input.fileinputformat.split.maxsize
// 未配置该参数，取Long.MAX_VALUE，maxSize的值为Long.MAX_VALUE
long maxSize = getMaxSplitSize(job);
// generate splits
List<InputSplit> splits = new ArrayList<InputSplit>();
List<FileStatus> files = listStatus(job);
for (FileStatus file: files) {
Path path = file.getPath(); // 在HDFS上的绝对路径
long length = file.getLen(); // 文件的实际大小
if (length != 0) {
BlockLocation[] blkLocations;
if (file instanceof LocatedFileStatus) {
blkLocations = ((LocatedFileStatus) file).getBlockLocations();
} else {
FileSystem fs = path.getFileSystem(job.getConfiguration());
blkLocations = fs.getFileBlockLocations(file, 0, length);
}
if (isSplitable(job, path)) {
// 这里取的是Block块的大小，在2.6里面默认是134217728（即128M）
long blockSize = file.getBlockSize();
// 获取切片大小，computeSplitSize(blockSize, minSize, maxSize)实际调用:
// 1 Long.MAX_VALUE 128M
// Math.max(minSize, Math.min(maxSize, blockSize));
// split的大小刚好等于block块的大小，为128M
long splitSize = computeSplitSize(blockSize, minSize, maxSize);
long bytesRemaining = length; // 取文件的实际大小
// 如果文件的实际大小/splitSize > 1.1（即实际大小大于128M * 1.1）
while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {
// getBlockIndex判断is the offset inside this block?
// 第一次length-bytesRemaining的值为0，取block块的第一个复本
int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
splits.add(makeSplit(path, length-bytesRemaining, splitSize,
blkLocations[blkIndex].getHosts(),
blkLocations[blkIndex].getCachedHosts()));
bytesRemaining -= splitSize; // 依次减去分片的大小，对剩余长度再次分片
}
/**
* 加入有一个300M的文件，设置bytesRemaining = length = 300M；
* 1、判定bytesRemaining / splitSize = 300 / 128 > 1.1
* makeSplie-->FileSplit(path, length - bytesRemaining = 0, splitSize=128M)
* bytesRemaining -= splitSize => bytesRemaining = 172M
* 2、判定bytesRemaining / splitSize = 172 / 128 > 1.1
* makeSplie-->FileSplit(path, length - bytesRemaining = 128, splitSize=128M)
* bytesRemaining -= splitSize => bytesRemaining = 44M
* 3、判定bytesRemaining / splitSize = 44 / 128 < 1.1
* while循环结束。
*/
// 多次分片后，最后的数据长度仍不为0但又不足一个分片大小
if (bytesRemaining != 0) {
int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
splits.add(makeSplit(path, length-bytesRemaining, bytesRemaining,
blkLocations[blkIndex].getHosts(),
blkLocations[blkIndex].getCachedHosts()));
// 在这里把最后的44M又make了一个分片
// makeSplie-->FileSplit(path, length - bytesRemaining = 256, splitSize=44)
}
} else { // not splitable,就取实际大小
splits.add(makeSplit(path, 0, length, blkLocations[0].getHosts(),
blkLocations[0].getCachedHosts()));
}
} else {
//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());
return splits;
}
}
说明：List<FileStatus>中FileStatus可能为LocatedFileStatus（a FileStatus that includes a file's block locations）。
LineRecordReader提供对文本数据的读取解析，并依次调用Mapper的map()函数传入<key, value>。
个人理解：TextInputFormat通过Split将文件逻辑上进行分片，对于每一个分片分别new一个LineRecordReader进行解析处理，解析后的买一行调用一次map()函数，而map task仍是一个。
public class LineRecordReader extends RecordReader<LongWritable, Text> {
public void initialize(InputSplit genericSplit,TaskAttemptContext context)
throws IOException {
// 1. 接收split（FileSplit对象）分片，并通过分片解析出：
// 分片起始位置：start = split.getStart();
// 结束位置：end = start + split.getLength();
// 文件位置：在HDFS上的绝对路径final Path file = split.getPath();
// 2. 获取文件的输入流
// 通过FileSystem获取文件，并获取输入流 fileIn = fs.open(file);
// 3. 判定是否为压缩文件，并获取压缩格式
// CompressionCodec codec = new CompressionCodecFactory(job).getCodec(file);
// 4. 计算行偏移量（原始解释如下）
// If this is not the first split, we always throw away first record
// because we always (except the last split) read one extra line in
// next() method.
if (start != 0) {
start += in.readLine(new Text(), 0, maxBytesToConsume(start));
}
this.pos = start;
}
public boolean nextKeyValue() throws IOException {
if (key == null) { // key-->这里为map task中map()函数的key
key = new LongWritable();
}
key.set(pos); // 取的是行偏移量
if (value == null) {
value = new Text();
}
// 判定split是否已经读取解析完成，如果未完成的话就读取一行数据
// 通过org.apache.hadoop.util.LineReader的readCustomLine或readDefaultLine读取
// 如果指定了行分隔符则调用readCustomLine；
// 否则默认通过回车换行作为分隔符调用readDefaultLine
newSize = in.readLine(value, maxLineLength, maxBytesToConsume(pos));
pos += newSize; // 偏移量加上个读取的行的长度，作为下一行的偏移量
}
/**
* nextKeyValue是一个对split分片依次读入迭代的过程，
* 每次读一行，并从这一行中解析出key和value，并分别赋值，
* 传入到map函数时将该<key, value>值传入（具体是怎么调用map函数的，后续分析）。
*/
@Override
public LongWritable getCurrentKey() {
return key;
}
@Override
public Text getCurrentValue() {
return value;
}
/**
* Get the progress within the split
*/
public float getProgress() throws IOException {
if (start == end) {
return 0.0f;
} else {
return Math.min(1.0f, (getFilePosition() - start) / (float)(end - start));
}
}
// 关闭打开的从hdfs的输入流对象
public synchronized void close() throws IOException {
try {
if (in != null) {
in.close();
}
} finally {
if (decompressor != null) {
CodecPool.returnDecompressor(decompressor);
}
}
}
}