Mapper类的分析

作用

• 将输入键值对<k1,v1>映射到一组中间键值对<k2,v2>，转换后的中间记录不必与输入记录的类型相同
• MapReduce通过每个Inputspilt（切分）生成对应的Maptask（map任务），而Inputsplit（切分）则由InputFormat类生成
• Mapper类中是可以得到Configuration对象，通过JobContext 上下文 getConfiguration() 获取

Mapper函数

1. setup()
   在任务开始时调用一次

2. map()
   被Inputsplit中的每一个键值对调用一次，大多数应用程序应该覆盖它，但默认是identity函数(同一个)

    protected void map(KEYIN key, VALUEIN value, 
                        Context context) throws IOException, InterruptedException {
       context.write((KEYOUT) key, (VALUEOUT) value);//传进来什么值，就写出去什么值
     }
   

3. cleanup()
   任务结束时调用一次

4. run()
   专家用户可以重写此方法，以便对执行mapper

    public void run(Context context) throws IOException, InterruptedException {
       setup(context);
       try {
         //while死循环，每次获取下一个值
         while (context.nextKeyValue()) {
           map(context.getCurrentKey(), context.getCurrentValue(), context);//相当于一行一行的走，获取当前键和值
         }
       } finally {
         cleanup(context);
       }
     }
   

FileInputFormat类

1. FileInputFormat是InputFormat的文件类型的基类
   它提供了getSplit()方法，FileInputFormat的子类实现isSplitable()方法用于判断当前文件是否可切分
2. FileInputFormat类的俩个属性
   1）mapreduce.input.fileinputformat.split.maxsize :逻辑切分的最大大小，默认值Long.MAX_VALUE
   2）mapreduce.input.fileinputformat.split.minsize :逻辑切分的最小大小，默认值0
   可以解决由大量小文件产生多个map任务而导致集群运行过慢的情况，我们可以修改minsize属性来解决
3. FileInputFormat类的getSplit()方法，快捷键ctrl+O，列出当前类中的所有方法及属性
   计算逻辑切分大小：computeSplitSize(blockSize,minSize,maxSize)
   该方法内计算Math.max(minSize,Math.min(maxSize,blockSize))最终默认大小为splitsize=128m
   源代码：

  /** 
   * Generate the list of files and make them into FileSplits. 生成文件列表并将其添加到FileSplits
   * @param job the job context 对作业上下文进行参数设置
   * @throws IOException 抛出异常
   */
  public List<InputSplit> getSplits(JobContext job) throws IOException {
    StopWatch sw = new StopWatch().start();
    long minSize = Math.max(getFormatMinSplitSize(), getMinSplitSize(job));//获取两者间最大值
    long maxSize = getMaxSplitSize(job);//获取逻辑切分的最大值，Long.MAX_VALUE

    // generate splits
    List<InputSplit> splits = new ArrayList<InputSplit>();//最终返回的是输入切分的列表
    List<FileStatus> files = listStatus(job);//获取文件元数据
    for (FileStatus file: files) {
      Path path = file.getPath();//获取文件输入路径
      long length = file.getLen();//获取文件的长度
      if (length != 0) {
        BlockLocation[] blkLocations;
        if (file instanceof LocatedFileStatus) {//判断文件类型
          blkLocations = ((LocatedFileStatus) file).getBlockLocations();//得到文件的块位置信息
        } else {
          FileSystem fs = path.getFileSystem(job.getConfiguration());
          blkLocations = fs.getFileBlockLocations(file, 0, length);
        }
        if (isSplitable(job, path)) {//判断文件是否可切分，压缩文件不可切分，除了.bz2文件
          long blockSize = file.getBlockSize();//获取文件块大小，默认128m
          long splitSize = computeSplitSize(blockSize, minSize, maxSize);//计算逻辑切分大小。默认128m

          long bytesRemaining = length;//将文件长度赋予字节剩余
          while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {//判断比例是否大于1.1
            int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);//获取块索引,从0字节开始，获得第一个块
            splits.add(makeSplit(path, length-bytesRemaining, splitSize,
                        blkLocations[blkIndex].getHosts(),
                        blkLocations[blkIndex].getCachedHosts()));
              //构建逻辑切分对象，一个集合，创建逻辑切分，得到块索引的主机、缓存主机名，从而构建了一个逻辑切分
            bytesRemaining -= splitSize;//获取下一个切分，再进行循环
          }

          if (bytesRemaining != 0) { //剩余的字节长度不满足大于1.1的条件 
            int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
            splits.add(makeSplit(path, length-bytesRemaining, bytesRemaining,
                       blkLocations[blkIndex].getHosts(),
                       blkLocations[blkIndex].getCachedHosts()));
          }
        } else { // not splitable 不让切分，比如压缩文件
          splits.add(makeSplit(path, 0, length, blkLocations[0].getHosts(),
                      blkLocations[0].getCachedHosts()));
        }
      } else { 
        //为零长度的文件创建空的主机数组
        splits.add(makeSplit(path, 0, length, new String[0]));
      }
    }
    // Save the number of input files for metrics/loadgen将输入文件的数量保存为metrics/loadgen
    job.getConfiguration().setLong(NUM_INPUT_FILES, files.size());
    sw.stop();
    if (LOG.isDebugEnabled()) {
      LOG.debug("Total # of splits generated by getSplits: " + splits.size()
          + ", TimeTaken: " + sw.now(TimeUnit.MILLISECONDS));
    }
    return splits;//返回切分数组
  }

TextInputFormat类

纯文本文件格式化类，以行进行分割，行的分割标识为回车或换行,继承了FileInputFormat抽象类，是FileInputFormat的实现类。
<key,value>:key为文件的偏移量，value为行文本内容
类说明：创建RecordReader,通过textinputformat.record.delimiter获取记录的默认分隔符，然后调用LineRecordReader(行记录读取器)

public class TextInputFormat extends FileInputFormat<LongWritable, Text> {
//继承FileInputFormat类
  @Override
    //创建记录读取器
  public RecordReader<LongWritable, Text> 
    createRecordReader(InputSplit split,
                       TaskAttemptContext context) {
     //获取默认的记录分割符                  
    String delimiter = context.getConfiguration().get(
        "textinputformat.record.delimiter");
    byte[] recordDelimiterBytes = null;
    if (null != delimiter)
      recordDelimiterBytes = delimiter.getBytes(Charsets.UTF_8);
    //调用行记录读取器
    return new LineRecordReader(recordDelimiterBytes);
  }
  //判断文件是可切分
  @Override
  protected boolean isSplitable(JobContext context, Path file) {
    final CompressionCodec codec =
      new CompressionCodecFactory(context.getConfiguration()).getCodec(file);
    //判断是否有压缩文件，有则返回true，没有则返回这个压缩文件，不让切分
    if (null == codec) {
      return true;
    }
    return codec instanceof SplittableCompressionCodec;
  }
}

LineRecordReader类（行记录读取器）

1. org.apache.hadoop.mapreduce.lib.input.LineRecordReader继承了RecordReader类（记录读取器将数据分成键/值对，以便输入到Mapper）
   类说明：将键视为文件中的偏移量，将值视为行
   在LineRecordReader类中，Mapper通过调用nextKeyValue()方法将每行记录写到key和value中

2. initialize()方法，最后生成split行阅读器对象(SplitLineReader in)
   SplitLineReader 继承 org.apache.hadoop.util.LineReader

3. LineReader类说明：从输入流中提供行读取器的类，默认按照’\r’或’\n’进行分割
   LineReader类里的readline()方法【从InputStream中读取一行到给定的文本】
   in.readLine(Text str, int maxLineLength,int maxBytesToConsume):

4. LineRecordReader 类的initialize()方法源码：

public void initialize(InputSplit genericSplit,
                         TaskAttemptContext context) throws IOException {
    FileSplit split = (FileSplit) genericSplit;//逻辑切分
    Configuration job = context.getConfiguration();
    this.maxLineLength = job.getInt(MAX_LINE_LENGTH, Integer.MAX_VALUE);//获取行的最大值
    start = split.getStart();//切分的起始位置
    end = start + split.getLength();//最终位置
    final Path file = split.getPath();//获取路径

    // 打开文件并寻找拆分的开始
    final FileSystem fs = file.getFileSystem(job);
    fileIn = fs.open(file);
    
    CompressionCodec codec = new CompressionCodecFactory(job).getCodec(file);
    if (null!=codec) {//如果是压缩文件
      isCompressedInput = true;	
      decompressor = CodecPool.getDecompressor(codec);
      if (codec instanceof SplittableCompressionCodec) {
        final SplitCompressionInputStream cIn =
          ((SplittableCompressionCodec)codec).createInputStream(
            fileIn, decompressor, start, end,
            SplittableCompressionCodec.READ_MODE.BYBLOCK);
        in = new CompressedSplitLineReader(cIn, job,
            this.recordDelimiterBytes);
        start = cIn.getAdjustedStart();
        end = cIn.getAdjustedEnd();
        filePosition = cIn;
      } else {//非压缩文件的做法，创建新的切分行读取器
        in = new SplitLineReader(codec.createInputStream(fileIn,
            decompressor), job, this.recordDelimiterBytes);
        filePosition = fileIn;
      }
    } else {
      fileIn.seek(start);//回到起始，按行读
      in = new UncompressedSplitLineReader(//创建不带压缩格式的阅读器
          fileIn, job, this.recordDelimiterBytes, split.getLength());
      filePosition = fileIn;
    }

5. LineRecordReader类的 NextKeyValue() 方法源代码如下：

  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 || in.needAdditionalRecordAfterSplit()) {
      if (pos == 0) {
        newSize = skipUtfByteOrderMark();
      } else {
        newSize = in.readLine(value, maxLineLength, maxBytesToConsume(pos));
        pos += newSize;
      }

      if ((newSize == 0) || (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;
    }
  }