Hadoop MapReduce中如何处理跨行Block和inputSplit

Hadoop MapReduce中如何处理跨行Block和inputSplit
http://www.aboutyun.com/forum.php?mod=viewthread&tid=7704
(出处: about云开发)

---

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;  
}  

复制代码

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;  
  }  

复制代码
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;  
}  

复制代码

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;  
  }  
}  

复制代码

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;  

复制代码
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。

个人理解