黑猴子的家：FileInputFormat切片机制

1、job提交流程源码详解

waitForCompletion()
submit();

// 1、建立连接
connect();

      // 1）创建提交job的代理
     new Cluster(getConfiguration());

     // 2）判断是本地yarn还是远程
     initialize(jobTrackAddr, conf); 

// 2、提交job
submitter.submitJobInternal(Job.this, cluster)

     // 1）创建给集群提交数据的Stag路径
     Path jobStagingArea = JobSubmissionFiles.getStagingDir(cluster, conf);

     // 2）获取jobid ，并创建job路径
     JobID jobId = submitClient.getNewJobID();

     // 3）拷贝jar包到集群
     copyAndConfigureFiles(job, submitJobDir);  
     rUploader.uploadFiles(job, jobSubmitDir);

     // 4）计算切片，生成切片规划文件
     writeSplits(job, submitJobDir);
     maps = writeNewSplits(job, jobSubmitDir);
     input.getSplits(job);

     // 5）向Stag路径写xml配置文件
     writeConf(conf, submitJobFile);
     conf.writeXml(out);

     // 6）提交job,返回提交状态
     status = submitClient.submitJob(jobId, submitJobDir.toString(), job.getCredentials());

2、FileInputFormat源码解析(input.getSplits(job))

（1）找到你数据存储的目录。
（2）开始遍历处理（规划切片）目录下的每一个文件
（3）遍历第一个文件ss.txt

a）获取文件大小fs.sizeOf(ss.txt);

b）计算切片大小
computeSliteSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M

c）默认情况下，切片大小=blocksize

d）开始切，形成第1个切片：ss.txt—0:128M 第2个切片ss.txt—128:256M 第3个切片ss.txt—256M:300M（每次切片时，都要判断切完剩下的部分是否大于块的1.1倍，不大于1.1倍就划分一块切片）

e）将切片信息写到一个切片规划文件中

f）整个切片的核心过程在getSplit()方法中完成。

g）数据切片只是在逻辑上对输入数据进行分片，并不会再磁盘上将其切分成分片进行存储。InputSplit只记录了分片的元数据信息，比如起始位置、长度以及所在的节点列表等。

h）注意：block是HDFS上物理上存储的存储的数据，切片是对数据逻辑上的划分。

（4）提交切片规划文件到yarn上，yarn上的MrAppMaster就可以根据切片规划文件计算开启maptask个数。

3、FileInputFormat中默认的切片机制

（1）简单地按照文件的内容长度进行切片

（2）切片大小，默认等于block大小

（3）切片时不考虑数据集整体，而是逐个针对每一个文件单独切片

    比如待处理数据有两个文件：
    file1.txt    320M
    file2.txt    10M
    经过FileInputFormat的切片机制运算后，形成的切片信息如下：  
    file1.txt.split1--  0~128
    file1.txt.split2--  128~256
    file1.txt.split3--  256~320
    file2.txt.split1--  0~10M

4、FileInputFormat切片大小的参数配置

通过分析源码，在FileInputFormat中，计算切片大小的逻辑
Math.max(minSize, Math.min(maxSize, blockSize));

切片主要由这几个值来运算决定
mapreduce.input.fileinputformat.split.minsize=1 默认值为1
mapreduce.input.fileinputformat.split.maxsize= Long.MAXValue 默认值Long.MAXValue
因此，默认情况下，切片大小=blocksize。

maxsize（切片最大值）
参数如果调得比blocksize小，则会让切片变小，而且就等于配置的这个参数的值。

minsize（切片最小值）
参数调的比blockSize大，则可以让切片变得比blocksize还大。

5、获取切片信息API

// 根据文件类型获取切片信息
FileSplit inputSplit = (FileSplit) context.getInputSplit();

// 获取切片的文件名称
String name = inputSplit.getPath().getName();