什么是Hadoop ？
简单来说，Hadoop就是解决⼤数据时代下海量数据的存储和分析计算问题。
Hadoop不是指具体的⼀个框架或者组件，它是Apache软件基⾦会下⽤Java语⾔开发的⼀个开源分布式计算平台，实现在⼤量计算机组成的集群中对海量数据进⾏分布式计算，适合⼤数据的分布式存储和计算，从⽽有效弥补了传统数据库在海量数据下的不⾜。
什么是MapReduce ？
MapReduce采⽤"分⽽治之"的思想，从它名字上来看就⼤致可以看出个缘由，两个动词Map和Reduce，“Map（映射）”就是将⼀个大任务分解成为多个小任务，“Reduce”就是将分解后多个小任务处理的结果汇总起来，得出最后的分析结果。
整个MapReduce的大致过程如下：
框架会将数据处理好一行一行的传到map方法，所以在编程时，开发人员只需要在map方法里面编写业务代码来处理传入的数据，隐藏了细节的同时提供了极大的便利，开发人员可以将焦点集中在业务层面；但我们依然对内部的处理有所了解，总结就是：框架会对物理文件进行逻辑分隔成若干个小块(split,记录文件每一个区块的开始和结束的位置信息)，框架会为每一个split分配一个mapTask任务，任务在根据对应的split块从物理文件不同位置一行行读取文件内容传递到map方法处理；
什么是LineRecordReader？
RecordReader的子类；按行读取文件内容，以每行的偏移量作为读入map的key，每行的内容作为读入map的value，将key和value作为map方法参数；它建立了文件和mapper方法之间的桥梁，确定了如果将文件内容以何种方式交给map方法处理；
本文是以读取文本文件为例 ，下面从源码来看在数据进入map方法前都做了哪些事情
1、切片：根据配置将物理文件切成若干个逻辑分片（split）
// 计算split的大小,默认和blockSize一样
// minSize: split允许的最小值；可以通过mapreduce.input.fileinputformat.split.minsize参数设置；如果未设置默认是1
// maxSize: split允许的最大值；可以通过mapreduce.input.fileinputformat.split.maxsize参数设置；如果未设置默认是Long.MAX_VALUE
// blockSize: 是文件存储在hdfs上的块大小
protected long computeSplitSize(long blockSize, long minSize,
long maxSize) {
return Math.max(minSize, Math.min(maxSize, blockSize));
}
public List<InputSplit> getSplits(JobContext job) throws IOException {
StopWatch sw = new StopWatch().start();
long minSize = Math.max(getFormatMinSplitSize(), getMinSplitSize(job));
long maxSize = getMaxSplitSize(job);
// generate splits
List<InputSplit> splits = new ArrayList<InputSplit>();
List<FileStatus> files = listStatus(job);
boolean ignoreDirs = !getInputDirRecursive(job)
&& job.getConfiguration().getBoolean(INPUT_DIR_NONRECURSIVE_IGNORE_SUBDIRS, false);
for (FileStatus file: files) {
if (ignoreDirs && file.isDirectory()) {
continue;
}
Path path = file.getPath();
long length = file.getLen();
if (length != 0) {
BlockLocation[] blkLocations;
if (file instanceof LocatedFileStatus) {
blkLocations = ((LocatedFileStatus) file).getBlockLocations();
} else {
FileSystem fs = path.getFileSystem(job.getConfiguration());
blkLocations = fs.getFileBlockLocations(file, 0, length);
}
if (isSplitable(job, path)) {
long blockSize = file.getBlockSize();
long splitSize = computeSplitSize(blockSize, minSize, maxSize);
long bytesRemaining = length;
// 以split为单位创建split；
// split记录的是：哪个文件、该split第一个字符在文件中的偏移量、该split的数据长度（即等于splitSize）
while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {
int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
splits.add(makeSplit(path, length-bytesRemaining, splitSize,
blkLocations[blkIndex].getHosts(),
blkLocations[blkIndex].getCachedHosts()));
bytesRemaining -= splitSize;
}
// 处理最后一部分的数据，这部分可能大于splitSize
if (bytesRemaining != 0) {
int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
splits.add(makeSplit(path, length-bytesRemaining, bytesRemaining,
blkLocations[blkIndex].getHosts(),
blkLocations[blkIndex].getCachedHosts()));
}
} else { // not splitable
if (LOG.isDebugEnabled()) {
// Log only if the file is big enough to be splitted
if (length > Math.min(file.getBlockSize(), minSize)) {
LOG.debug("File is not splittable so no parallelization "
+ "is possible: " + file.getPath());
}
}
splits.add(makeSplit(path, 0, length, blkLocations[0].getHosts(),
blkLocations[0].getCachedHosts()));
}
} 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());
sw.stop();
if (LOG.isDebugEnabled()) {
LOG.debug("Total # of splits generated by getSplits: " + splits.size()
+ ", TimeTaken: " + sw.now(TimeUnit.MILLISECONDS));
}
return splits;
}2、根据分片创建MapTaskRunnable实例，分配到各个执行单元并执行（此处使用的是本地执行模式 LocalJobRunner，将任务扔到线程池中去执行）
org.apache.hadoop.mapred.LocalJobRunner.java
// 根据分片创建MapTaskRunnable实例
protected List<RunnableWithThrowable> getMapTaskRunnables(
TaskSplitMetaInfo [] taskInfo, JobID jobId,
Map<TaskAttemptID, MapOutputFile> mapOutputFiles) {
int numTasks = 0;
ArrayList<RunnableWithThrowable> list =
new ArrayList<RunnableWithThrowable>();
for (TaskSplitMetaInfo task : taskInfo) {
list.add(new MapTaskRunnable(task, numTasks++, jobId,
mapOutputFiles));
}
return list;
}
private void runTasks(List<RunnableWithThrowable> runnables,
ExecutorService service, String taskType) throws Exception {
// Start populating the executor with work units.
// They may begin running immediately (in other threads).
for (Runnable r : runnables) {
service.submit(r);
}
try {
service.shutdown(); // Instructs queue to drain.
// Wait for tasks to finish; do not use a time-based timeout.
// (See http://bugs.sun.com/bugdatabase/view_bug.do?bug_id=6179024)
LOG.info("Waiting for " + taskType + " tasks");
service.awaitTermination(Long.MAX_VALUE, TimeUnit.NANOSECONDS);
} catch (InterruptedException ie) {
// Cancel all threads.
service.shutdownNow();
throw ie;
}
LOG.info(taskType + " task executor complete.");
// After waiting for the tasks to complete, if any of these
// have thrown an exception, rethrow it now in the main thread context.
for (RunnableWithThrowable r : runnables) {
if (r.storedException != null) {
throw new Exception(r.storedException);
}
}
}
3、在执行MapTaskRunnable实例时，会创建MapTask任务，调用其run方法执行并调用到runNewMapper方法
org.apache.hadoop.mapred.LocalJobRunner.java
public void run() {
try {
TaskAttemptID mapId = new TaskAttemptID(new TaskID(
jobId, TaskType.MAP, taskId), 0);
LOG.info("Starting task: " + mapId);
mapIds.add(mapId);
// new maptask实例
MapTask map = new MapTask(systemJobFile.toString(), mapId, taskId,
info.getSplitIndex(), 1);
// 省略代码~~~~~~~~~
try {
map_tasks.getAndIncrement();
myMetrics.launchMap(mapId);
//调用maptask的run方法
map.run(localConf, Job.this);
myMetrics.completeMap(mapId);
} finally {
map_tasks.getAndDecrement();
}
LOG.info("Finishing task: " + mapId);
} catch (Throwable e) {
this.storedException = e;
}
} org.apache.hadoop.mapred.MapTask.java
@Override
public void run(final JobConf job, final TaskUmbilicalProtocol umbilical)
throws IOException, ClassNotFoundException, InterruptedException {
this.umbilical = umbilical;
// 省略代码 ~~~~~
if (useNewApi) {
runNewMapper(job, splitMetaInfo, umbilical, reporter);
} else {
runOldMapper(job, splitMetaInfo, umbilical, reporter);
}
done(umbilical, reporter);
}
@SuppressWarnings("unchecked")
private <INKEY,INVALUE,OUTKEY,OUTVALUE>
void runNewMapper(final JobConf job,
final TaskSplitIndex splitIndex,
final TaskUmbilicalProtocol umbilical,
TaskReporter reporter
) throws IOException, ClassNotFoundException,
InterruptedException {
// 省略代码~~~~
try {
// 调用 LineRecordReader 的initialize
input.initialize(split, mapperContext);
mapper.run(mapperContext);
mapPhase.complete();
setPhase(TaskStatus.Phase.SORT);
statusUpdate(umbilical);
input.close();
input = null;
output.close(mapperContext);
output = null;
} finally {
closeQuietly(input);
closeQuietly(output, mapperContext);
}
}4、调用 initialize ,做好读取文件的准备工作
关键点：如果如果不是第一个split，丢弃该split的第一行数据，因为在 nextKeyValue 方法里会额外读取一行
org.apache.hadoop.mapreduce.lib.input.LineRecordReader.java
public void initialize(InputSplit genericSplit,
TaskAttemptContext context) throws IOException {
FileSplit split = (FileSplit) genericSplit;
Configuration job = context.getConfiguration();
this.maxLineLength = job.getInt(MAX_LINE_LENGTH, Integer.MAX_VALUE);
start = split.getStart();
end = start + split.getLength();
final Path file = split.getPath();
// open the file and seek to the start of the split
final FileSystem fs = file.getFileSystem(job);
fileIn = fs.open(file);
// 根据文件名后缀查找给定文件的相关压缩编解码器
CompressionCodec codec = new CompressionCodecFactory(job).getCodec(file);
if (null!=codec) {
// 处理压缩相关代码省略
} else {
//
fileIn.seek(start); // 将打开的文件流seek到该split的起始偏移量，以便后续读取该split的文件内容
in = new UncompressedSplitLineReader(
fileIn, job, this.recordDelimiterBytes, split.getLength());
filePosition = fileIn;
}
// 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.
// 如果不是第一个split，丢弃该split的第一行数据，因为在 nextKeyValue 方法里会额外读取一行
if (start != 0) {
start += in.readLine(new Text(), 0, maxBytesToConsume(start));
}
this.pos = start;
}5、迭代方式从文件中读取内容传入到map方法，context.nextKeyValue()方法一层层会调用到LineRecordReader的nextKeyValue方法
/**
* Expert users can override this method for more complete control over the
* execution of the Mapper.
* @param context
* @throws IOException
*/
public void run(Context context) throws IOException, InterruptedException {
setup(context);
try {
while (context.nextKeyValue()) {
map(context.getCurrentKey(), context.getCurrentValue(), context);
}
} finally {
cleanup(context);
}
}核心点就在于 LineRecordReader的initialize方法和nextKeyValue方法；上面已经有initialize方法的代码，下面看下nextKeyValue方法实现
关键点：while (getFilePosition() <= end || in.needAdditionalRecordAfterSplit()) {
org.apache.hadoop.mapreduce.lib.input.LineRecordReader.java
/**
* 读取下一行数据，并给key和value赋值
*
* @return 读取到内容反回true，没读取返回false
* @throws IOException
*/
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)
// 读取到split最后时，多读取一行,注意这里是<=
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;
}
}
org.apache.hadoop.util.LineReader.java
/**
* Read a line terminated by one of CR, LF, or CRLF.
* 读取一行内容，一行的结束可以是CR、LF、CRLF三个的其中一种
*/
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 while的方式循环读取文件存入缓存区，读取一行内容
// newlineLength == 0 && bytesConsumed < maxBytesToConsume 未读取到行分隔符且读取到的字符长度未超过最大限制，则继续循环
do {
int startPosn = bufferPosn; //starting from where we left off the last time
// buffer读标记bufferPosn大于等于缓存区里的实际数据长度时，说明缓存区里面的数据已经读完，需要再次从文件读取内容到缓存区
if (bufferPosn >= bufferLength) {
startPosn = bufferPosn = 0;
if (prevCharCR) {
++bytesConsumed; //account for CR from previous read
}
// 从文件读取内容到缓存区
bufferLength = fillBuffer(in, buffer, prevCharCR);
if (bufferLength <= 0) {
break; // EOF
}
}
// 从读取到缓冲区里面的字符中查找是否存在行分隔符，这里可能是do while的第N次执行，一行字符远大于64K时会存在这个情况
// 这里面会对行分隔符 CR LF CRLF分别判断
// 1、当是CR时：C处会是true，在下次for循环时会走到B，然后会跳出这个for循环，这种情况行分隔符的字符数（newlineLength）是1
// 2、当是LF时：C处永远是false，会进A的if，因上一个字符（prevCharCR）不是CR，所以这里的行分隔符的字符数（newlineLength）是1
// 3、当是CRLF时：C处会是true，进入A处if，这里因为上一个字符（prevCharCR）是CR，所以这里的行分隔的字符数（newlineLength）是2
for (; bufferPosn < bufferLength; ++bufferPosn) { //search for newline
// A
if (buffer[bufferPosn] == LF) {
newlineLength = (prevCharCR) ? 2 : 1;
++bufferPosn; // at next invocation proceed from following byte
break;
}
// B
if (prevCharCR) { //CR + notLF, we are at notLF
newlineLength = 1;
break;
}
// C
prevCharCR = (buffer[bufferPosn] == CR);
}
// 得到上面for读取到的数据长度
int readLength = bufferPosn - startPosn;
// 这里是处理CR出现在buffer最后时的情况，这时需要把已读取到的数据长度减1（即减掉CR）
if (prevCharCR && newlineLength == 0) {
--readLength; //CR at the end of the buffer
}
// bytesConsumed 是记得为了读取一行数据，已经读取到的字节数
bytesConsumed += readLength;
// 减掉换行符占用的字符数
int appendLength = readLength - newlineLength;
// maxLineLength 单行最大字符限制，可以通过 mapreduce.input.linerecordreader.line.maxlength 设置
// txtLength 已经读取到的数据长度
// appendLength 本次do while读取到的数据长度
// 当读取的内容超过了单选最大限制，则进行截取
if (appendLength > maxLineLength - txtLength) {
appendLength = maxLineLength - txtLength;
}
// 如果本次有读取到数据，则将内容append到str
if (appendLength > 0) {
str.append(buffer, startPosn, appendLength);
txtLength += appendLength;
}
} while (newlineLength == 0 && bytesConsumed < maxBytesToConsume);
if (bytesConsumed > Integer.MAX_VALUE) {
throw new IOException("Too many bytes before newline: " + bytesConsumed);
}
return (int) bytesConsumed;
}
以上就是涉及到相关源码,接下来以图文加demo形式进行原理解读
虽然hdfs会对文件进行物理分割，split时会做逻辑分割，但在读取文件时是不用关心底层的实现，在API层面相当于是对一个文件的读取，因为默认情况下splitSize是和blockSize是相对的，所以不会出现一个split跨两个block，如果我们将splitSize设置为blockSize的2倍，那么就存在一个split跨两个block，但在文件读取readDefaultLine时，每次读取固定量的字节到buffer(可以通过io.file.buffer.size设置buffer的大小)，然后遍历buffer判断是否存在行分隔符，如果没有则再从文件读取一批内容到buffer，直到找个行分隔符，此时会将读取到的行内容存放到LineRecordReader.value里（传入到map方法的value）
以下是一个纯文本的demo文件，在notepad++里打开，显示出来换行符（CRLF）
我们设置下hadoop的参数
bufferSize（io.file.buffer.size）= 8byte
splitSize（mapreduce.input.fileinputformat.split.maxsize） = 32byte
示例文件
分片时会将文件分成3个split，这三个split会分配到对应的maptask去执行;
每个maptask会读取split的内容，因为这次是以文本为例 ，所以会以一行为单元读取好传到map方法，读取文件时是一次性读取一批数据到buffer中，然后对buffer里面的内容进行遍历，找到行分隔符，也有可能行的内容很长，超过了buffer的容量，就需要多读取，直至读取到行分隔符
读取处理split-1 即运行maptask-1
第一次读取 buffer = WORDCOUN
因第一次读取的不存在行分隔符所以还需要再从文件里加载内容
第二次读取 buffer = TCRLFTHISI
因读取到了行分隔符，所以加上第一次读取的，这一行的内容为WORDCOUNT
接下来读取第二行，因为读取第一行时最后一次加载的buffer并没有用完（读标记bufferPosn值为3，即T的位置），所以继续从buffer中读取，但直到读取完这个buffe还是没有读取到行分隔符
第三次读取 buffer = SADEMOFO
第四次读取 buffer = RWORDCCRLF
本行内容为 THISISADEMOFORWORDC
到此刚好读取完第一个split,刚好也是一行的结束（getFiilePosition = end = 32）
在LineRecordReader.java的nextKeyValue()方法里，
如果一个split的结束刚好是行分隔符（split-1），即最后一行未被分隔到两个split，这时getFiilePosition() == end，while条件还是成立，所以会再读取一行内容;
如果一个split的结束不是行分隔符（split-2）,此时getFiilePosition（）< end，while条件依然成立
所以getFiilePosition（）<= end是说明在这个split未读取完或者刚好读完的情况下，依然会再读取一行
当处理split-2时，即maptask-2；在LineRecordReader.initialize里面会进行判断，如果start不等于0（即不是第一个split），则会读取一行丢弃掉
所以前一个split多读取一行，后一个split少读取一行，通过此种手段即完成了跨分片读取
481
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
