Hadoop-2.4.1源码分析--MapReduce作业切片(Split)过程

       在上一篇文章《Hadoop-2.4.1源码分析--MapReduce作业(job)提交源码跟踪》中，我介绍了Job的提交过程源码，介绍的最后一个方法是submitJobInternal(Jobjob, Cluster cluster)，该方法向系统提交作业（该方法不仅设置mapper数量，还执行了一些其它操作如检查输出格式等），在该方法的第394行，涉及到如下一个方法--writeSplits()，该方法是用于切片处理并且返回map任务数的，当时碍于篇幅没有细讲，今天详细的总结一下。

       进入writeSplits()方法，该方法会根据是否使用了新API选择不同的方法写，当然，此处都是使用新版API。

      进入writeNewSplits()方法，可以看出该方法首先获取splits数组信息后，排序，将会优先处理大文件。最终返回

mapper数量。这其中又分为两部分：确定切片数量 和 写入切片信息。确定切片数量的任务交由FileInputFormat的

getSplits(job)完成，写入切片信息的任务交由JobSplitWriter.createSplitFiles(jobSubmitDir, conf, 

jobSubmitDir.getFileSystem(conf), array)方法，该方法会将切片信息和SplitMetaInfo都写入HDFS中。

       下面分别介绍：

       一、确定切片数量

        实际的mapper数量就是输入切片的数量，而切片的数量又由使用的输入格式决定，默认为TextInputFormat，该类为FileInputFormat的子类。确定切片数量的任务交由FileInputFormat的getSplits(job)完成。FileInputFormat继承自抽象类InputFormat，该类定义了MapReduce作业的输入规范，其中的抽象方法List<InputSplit> getSplits(JobContext context)定义了如何将输入分割为InputSplit，不同的输入有不同的分隔逻辑，而分隔得到的每个InputSplit交由不同的mapper处理，因此该方法的返回值确定了mapper的数量。

       首先看InputFormat抽象类。InputFormat抽象类只提供了两个抽象方法，分别用于获取InputSplit和RecordReader。其中的InputSplit只是对输入文件的逻辑分割，而不是物理上将输入文件分割为块，或者说InputSplit只是指定了输入文件的某个范围输入到特定的Mapper中。而RecordReader是负责处理跨InputSplit记录的。

       InputFormat为抽象类，其下有多种实现类，用于处理不同来源的数据。在实际的应用中，大多数情况都是使用FileInputFormat的子类做为输入，故重点学习FileInputFormat类。

         FileInputFormat的主要子类有：TextInputFormat、SequenceFileInputFormat、NLineInputFormat、KeyValueTextInputFormat、FixedLengthInputFormat和CombineFileInputFormat等。实现切片的就是               

         FileInputFormat.getSplits()方法，其定义如下：

        上述代码中，blockSize的值为参数dfs.blocksize的值，默认为128M。方法computeSplitSize(blockSize, minSize, maxSize)根据blockSize，minSize，maxSize确定InputSplit的大小。由此可以得知，InputSplit的大小取决于dfs.blocksize、mapreduce.input.fileinputformat.split.minsize、mapreduce.input.fileinputformat.split.maxsize和所使用的输入格式。在输入格式为TextInputFormat的情况下，且不修改InputSplit的最大值和最小值的情况，InputSplit的最终值为dfs.blocksize的值。

        变量SPLIT_SLOP的值为1.1，决定了当剩余文件大小多大时停止按照变量splitSize分割文件。根据代码可知，当剩余文件小于等于1.1倍splitSize时，将把剩余的文件做为一个InputSplit，即最后一个InputSplit的大小最大为1.1倍splitSize。

        如果splitSize等于blocksize，则InputSplit的起始位置与相应块在文件中offset一致，但如果splitSize小于blocksize，即通过参数mapreduce.input.fileinputformat.split.maxsize控制每个InputSplit的大小，那么InputSplit的起始位置就会位于文件块的内部。上述分割InputSplit的逻辑完全是针对大小进行的，那么就会存在将一行记录划分到两个InputSplit中的可能。但上述代码并未对这种情况进行处理，这也意味着在Map阶段存在数据不完整的可能，Hadoop当然不会允许这种情况的发生，而RecordReader就负责处理这种情况，下面以LineRecordReader为例，看看Hadoop是如何处理记录跨InputSplit的。LineRecordReader中的构造方法在初始化的时候调用一次，此方法将定位InputSplit中第一个换行符的位置，并将实际读取数据的位置定位到第一个换行符之后的位置，如果是第一个InputSplit则不用如此处理。而被过滤的内容则由读取该InputSplit之前的Split的LineRecordReader负责读取，确定第一个换行符位置的代码片段为：

          读取InputSplit内容的代码位于next()方法中，具体代码为：

        readLine()的功能是读取一行的数据到Text中，因为在分割FileSplit时是基于size的，如果一行被分割到两个split中，比如s1和s2中，在读取s1中的最后一行数据时，会一直读取到s2中的第一个换行符，这是在next()方法中实现的，而在处理s2时，则要将已经读取的数据跳过以避免重复读取，这是在构造方法中实现的。

二、写入切片信息

       再次回到writeNewSplits()方法，进入JobSplitWriter.createSplitFiles(jobSubmitDir, conf, 

jobSubmitDir.getFileSystem(conf), array)方法：

       进入createFile()方法：

       进入writeNewSplits()方法，它将切片数据写入切片文件，并得到切片元数据信息SplitMetaInfo数组info:

       最后进入writeJobSplitMetaInfo()方法，查看分片的元数据信息文件是如何产生的：