一个MapReuce作业的从开始到结束--第5章把文件复制到HDFS的流程-CSDN博客

在本章，我们以《从零开始学习Hadoop》的第一个例子WordCount为例，分析Hadoop执行MapReduce的流程和诸多细节。这个例子在该书有详细的说明，在这里不在给出，请参考该书了解细节。

1. 执行流程

[1].将README.txt文件复制到HDFS的命令是:

./bin/hadoop fs -putREADME.txt readme.txt

[2].从hadoop脚本中可知，fs对应的类是org.apache.hadoop.fs.FsShell，这个类对应的源代码在core/org/apache/hadoop/fs/FsShell.java文件。

[3]. FsShell类的入口是main函数。

[4].在main函数，对FsShell进行一次实例化，FsShellshell = new FsShell()，然后用ToolRunner将argv参数传给shell执行。

[5].ToolRunner调用shell的run函数，参数是argv。

[6].在FsShell的run函数，首先会检查参数是否合理，然后执行init函数，进行初始化。初始化很简单，就是获取文件系统，获取Trash。

[7].对于”-put”命令，run函数用一个Path数组保存源文件路径和目的路径，然后调用copyFromLocal函数进行处理。

[8].在FsShell的copyFromLocal函数中，获取FileSystem，然后执行FileSystem的copyFromLocalFile函数。

[9].FileSystem的copyFromLocalFile函数有多个重载的版本，几经周转之后，最终调用的是FileUtil的copy函数：

FileUtil.copy(getLocal(conf),srcs, this, dst, delSrc, overwrite, conf);

[10].FileSystem的copy函数也有多个重载的版本，经过多次调用后，最终调用的是这个copy函数：

copy(FileSystem srcFS, Pathsrc, FileSystem dstFS, Path dst, boolean deleteSource,booleanoverwrite, Configuration conf)

将README.txt复制到HDFS，对应下面这段代码：

InputStreamin=null;

OutputStream out =null;

try {

in =srcFS.open(src);

out =dstFS.create(dst, overwrite);

IOUtils.copyBytes(in,out, conf, true);

}

在fileSystem中，open函数和create函数都有多个重载的版本，几经周转，最终都是调用都是虚函数版本，而虚函数的实现，取决于FileSystem的继承类对虚函数open和虚函数create的实现。

各种文件系统的实现，是在目录core/org/apache/hadoop/fs里，如果想知道具体有哪些文件系统实现了，可以在这个目录用grep查一下：

grep -rin “FSDataOutputStreamcreate(” *

Hadoop实现了很多文件系统，如下：

ChecksumFileSystem，

FilterFileSystem，

FTPFileSystem，

HarFileSystem，

InMemoryFileSystem，

KFSImpl，

IFSImpl，

KosmosFileSystem，

RawLocalFileSystem，

S3FileSystem，

NativeS3FileSystem

当然，其实最重要的是在这里HDFS，分布式文件系统，代码目录是hdfs/org/apache/hadoop/hdfs，这里FileSystem的继承类如下：

DistributedFileSystem

HftpFileSystem

WebHdfsFileSystem

[11].IOUtils类在输入流和输出流之间传递数据。IOUtils里的函数都是静态函数，所以它只是一个容器，把各种函数打包成类，IOUtils的copyBytes函数，经过几次周转，最终调用的是函数：

copyBytes(InputStreamin, OutputStream out,

final longlength, final int bufferSize, final boolean close)

在这个函数里，数据读写的核心代码是：

intn = 0;

for(long remaining= length;

remaining >0 && n != -1;

remaining -=n) {

final int toRead= remaining < buf.length? (int)remaining : buf.length;

n = in.read(buf,0, toRead);

if (n > 0) {

out.write(buf,0, n);

}

这段代码从输入流读数据到缓存，然后再写入到输出流。

2.输出流是如何获取FileSystem

在wordCount例子中，输出流对应的文件名是”readme.txt”。输出流在FsShell类的copyFromLocal函数获取FileSystem，语句如下：

Path dstPath = newPath(dstf);

FileSystem dstFs =dstPath.getFileSystem(getConf());

dstPath执行的构造函数是Path(StringpathString)。初始化的时候，检查pathString中的“：”和”/”位置，由此得到URI的Scheme。最终，dstPath的uri的值是readme.txt。

在dstPath执行getFileSystem比较复杂，次序如下：

[1].在Path类执行getFileSystem(Configurationconf)函数。

[2].在FileSystem类执行get(URIuri, Configurationconf)，在这个函数里，因为shceme=null，于是执行另外一个get重载版本。因为输出文件名是”readme.txt”，无法直接得到文件系统。

[3].在FileSystem类执行get(Configurationconf) ，这个函数调用getDefaultUri函数，获取的默认的URI，然后再次调用get(URIuri, Configuration conf)函数。

[4].在fileSystem类执行getDefaultUri函数得到默认的URI，也就是hdfs://localhost:9000。

[5].然后再回到[2]，这时候就可以参数uri是默认值，就可以执行到return语句，在return语句执行CACHE.get(uri,conf)。

[6].执行Cache类的get函数，函数原型是get(URIuri, Configuration conf)。CACHE对象属于Cache类。Cache类是FileSystem的内部类。如果uri对应的FileSystem对象已经在缓存里，返回它，如果不在，调用FileSystem的createFileSystem(uri,conf)函数创建它。

[7].执行FileSystem的createFileSystem函数，函数原型是：

FileSystemcreateFileSystem(URI uri, Configuration conf)

在这里函数里，从配置中读取hfds对应的实现类：

Class<?> clazz =conf.getClass("fs." + uri.getScheme() + ".impl",null)

"fs." +uri.getScheme() + ".impl" 就是”fs.hdfs.impl”

于是，clazz值就是org.apache.hadoop.hdfs.DistributedFileSystem。然后，通过反射的方式，生成一个clazz对象，并将类型转换成FileSystem：

FileSystem fs =(FileSystem)ReflectionUtils.newInstance(clazz, conf)

然后返回fs，这就是输出流的文件系统。

3.输入流如何获取FileSystem

输入流获取FileSystem的地方是在FileSytem类调用copyFromLocalFile函数的时候。

[1].在FileSystem调用copyFromLocalFile函数，copyFromLocalFile函数调用getLocal函数。

[2].在FileSystem的getLocal函数，调用get(LocalFileSystem.NAME,conf)函数，这时候，LocalFileSystem.NAME的默认值是uri=”file:///”。

[3].在fileSystem的get函数，执行的步骤跟输出流获取文件系统的方式差不多，最终会调用createFileSytem函数，此时，从配置里读“fs.file.impl”对应的值，也就是clazz的值，这个值是clazz= class org.apache.hadoop.fs.LocalFileSystem，然后，同样通过反射的方式，创建一个LocalFileSystem对象，然后转化成FileSystem类型并返回它。