Hadoop MapReduce中如何处理跨行Block和UnputSplit

Hadoop的初学者经常会疑惑这样两个问题：1.Hadoop的一个Block默认是64M，那么对于一个记录行形式的文本，会不会造成一行记录被分到两个Block当中？2.在把文件从Block中读取出来进行切分时，会不会造成一行记录被分成两个InputSplit，如果被分成两个InputSplit，这样一个InputSplit里面就有一行不完整的数据，那么处理这个InputSplit的Mapper会不会得出不正确的结果？

对于上面的两个问题，首先要明确两个概念：Block和InputSplit

      1. block是hdfs存储文件的单位（默认是64M）；
      2. InputSplit是MapReduce对文件进行处理和运算的输入单位，只是一个逻辑概念，每个InputSplit并没有对文件实际的切割，只是记录了要处理的数据的位置（包括文件的path和hosts）和长度（由start和length决定）。

因此，以行记录形式的文本，还真可能存在一行记录被划分到不同的Block，甚至不同的DataNode上去。通过分析FileInputFormat里面的getSplits方法，可以得出，某一行记录同样也可能被划分到不同的InputSplit。

 

 public List<InputSplit> getSplits(JobContext job) throws IOException {
   long minSize = Math.max(getFormatMinSplitSize(), getMinSplitSize(job));
   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();
     long length = file.getLen();
     if (length != 0) {
       FileSystem fs = path.getFileSystem(job.getConfiguration());
       BlockLocation[] blkLocations = fs.getFileBlockLocations(file, 0, length);
       if (isSplitable(job, path)) {
         long blockSize = file.getBlockSize();
         long splitSize = computeSplitSize(blockSize, minSize, maxSize);

         long bytesRemaining = length;
         while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {
           int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
           splits.add(makeSplit(path, length-bytesRemaining, splitSize,
                                    blkLocations[blkIndex].getHosts()));
           bytesRemaining -= splitSize;
         }

         if (bytesRemaining != 0) {
           splits.add(makeSplit(path, length-bytesRemaining, bytesRemaining,
                      blkLocations[blkLocations.length-1].getHosts()));
         }
       } else { // not splitable
         splits.add(makeSplit(path, 0, length, blkLocations[0].getHosts()));
       }
     } 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());
   LOG.debug("Total # of splits: " + splits.size());
   return splits;
 }

  从上面的代码可以看出，对文件进行切分其实很简单：获取文件在HDFS上的路径和Block信息，然后根据splitSize

对文件进行切分，splitSize = computeSplitSize(blockSize, minSize, maxSize);blockSize，minSize，maxSize都可以配置，默认splitSize 就等于blockSize的默认值（64m）。

FileInputFormat对文件的切分是严格按照偏移量来的，因此一行记录比较长的话，其可能被切分到不同的InputSplit。但这并不会对Map造成影响，尽管一行记录可能被拆分到不同的InputSplit，但是与FileInputFormat关联的RecordReader被设计的足够健壮，当一行记录跨InputSplit时，其能够到读取不同的InputSplit，直到把这一行记录读取完成，在Hadoop里，记录行形式的文本，通常采用默认的TextInputFormat，TextInputFormat关联的是LineRecordReader，下面我们来看看LineRecordReader的的nextKeyValue方法里读取文件的代码：

 

 while (getFilePosition() <= end) {
   newSize = in.readLine(value, maxLineLength,
       Math.max(maxBytesToConsume(pos), maxLineLength));
   if (newSize == 0) {
     break;
   }

 

 其读取文件是通过LineReader（in就是一个LineReader实例）的readLine方法完成的：

 

 public int readLine(Text str, int maxLineLength,
                     int maxBytesToConsume) throws IOException {
   if (this.recordDelimiterBytes != null) {
     return readCustomLine(str, maxLineLength, maxBytesToConsume);
   } else {
     return readDefaultLine(str, maxLineLength, maxBytesToConsume);
   }
 }

 /**
  * Read a line terminated by one of CR, LF, or CRLF.
  */
 private int readDefaultLine(Text str, int maxLineLength, int maxBytesToConsume)
 throws IOException {
   str.clear();
   int txtLength = 0; //tracks str.getLength(), as an optimization
   int newlineLength = 0; //length of terminating newline
   boolean prevCharCR = false; //true of prev char was CR
   long bytesConsumed = 0;
   do {
     int startPosn = bufferPosn; //starting from where we left off the last time
     if (bufferPosn >= bufferLength) {
       startPosn = bufferPosn = 0;
       if (prevCharCR)
         ++bytesConsumed; //account for CR from previous read
       bufferLength = in.read(buffer);
       if (bufferLength <= 0)
         break; // EOF
     }
     for (; bufferPosn < bufferLength; ++bufferPosn) { //search for newline
       if (buffer[bufferPosn] == LF) {
         newlineLength = (prevCharCR) ? 2 : 1;
         ++bufferPosn; // at next invocation proceed from following byte
         break;
       }
       if (prevCharCR) { //CR + notLF, we are at notLF
         newlineLength = 1;
         break;
       }
       prevCharCR = (buffer[bufferPosn] == CR);
     }
     int readLength = bufferPosn - startPosn;
     if (prevCharCR && newlineLength == 0)
       --readLength; //CR at the end of the buffer
     bytesConsumed += readLength;
     int appendLength = readLength - newlineLength;
     if (appendLength > maxLineLength - txtLength) {
       appendLength = maxLineLength - txtLength;
     }
     if (appendLength > 0) {
       str.append(buffer, startPosn, appendLength);
       txtLength += appendLength;
     }
   } while (newlineLength == 0 && bytesConsumed < maxBytesToConsume);   <span style="color: #ff0000;">//①</span>

   if (bytesConsumed > (long)Integer.MAX_VALUE)
     throw new IOException("Too many bytes before newline: " + bytesConsumed);
   return (int)bytesConsumed;
 }

  我们分析下readDefaultLine方法，do-while循环体主要是读取文件，然后遍历读取的内容，找到默认的换行符就终止循环。前面说，对于跨InputSplit的行，LineRecordReader会自动跨InputSplit去读取。这就体现在上述代码的While循环的终止条件上：

while (newlineLength == 0 && bytesConsumed < maxBytesToConsume);

newlineLength==0则以为一次do-while循环中读取的内容中没有遇到换行符，因maxBytesToConsume的默认值为Integer.MAX_VALUE，所以如果读取的内容没有遇到换行符，则会一直读取下去，知道读取的内容超过maxBytesToConsume。这样的出来方式，解决了一行记录跨InputSplit的读取问题，同样也会造成下面两个疑问：

1.既然在LineReader读取方法里面没有对考虑InputSplit的end进行处理，难道读取一个InputSplit的时候，会这样无限的读取下去么？

2.如果一行记录L跨越了A,B两个InputSplit，读A的时候已经读取了跨越A，B的这条记录L，那么对B这个InputSplit读取的时候，如果做到不读取L这条记录在B中的部分呢？

为了解决这两个问题，Hadoop通过下面的代码来做到：LineRecordReader的nextKeyValue方法。

 

 public boolean nextKeyValue() throws IOException {
   if (key == null) {
     key = new LongWritable();
   }
   key.set(pos);
   if (value == null) {
     value = new Text();
   }
   int newSize = 0;
   // We always read one extra line, which lies outside the upper
   // split limit i.e. (end - 1)
   while (getFilePosition() <= end) {        <span style="color: #ff0000;"> //②</span>
     newSize = in.readLine(value, maxLineLength,
         Math.max(maxBytesToConsume(pos), maxLineLength));
     if (newSize == 0) {
       break;
     }
     pos += newSize;
     inputByteCounter.increment(newSize);
     if (newSize < maxLineLength) {
       break;
     }

     // line too long. try again
     LOG.info("Skipped line of size " + newSize + " at pos " +
              (pos - newSize));
   }
   if (newSize == 0) {
     key = null;
     value = null;
     return false;
   } else {
     return true;
   }
 }

 

    通过代码②处得While条件，就保证了InputSplit读取边界的问题，如果存在跨InputSplit的记录，也只好跨InputSplit读取一次。

     再来看LineRecordReader的initialize方法：

 // 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;

    如果不是第一InputSplit，则在读取的时候，LineRecordReader会自动忽略掉第一个换行符之前的所有内容，这样就不存在重读读取的问题。

 

此次，前面提到的两个问题就回到完了。。。。。