个人小站,正在持续整理中,欢迎访问:

小站博文地址：

 

1. 概述

我们在设置MapReduce输入格式的时候，会调用这样一条语句：

job.setInputFormatClass(KeyValueTextInputFormat.class);

这条语句保证了输入文件会按照我们预设的格式被读取。KeyValueTextInputFormat即为我们设定的数据读取格式。

所有的输入格式类都继承自InputFormat，这是一个抽象类。其子类有例如专门用于读取普通文件的FileInputFormat，还有用来读取数据库的DBInputFormat等等。相关类图简单画出如下（推荐新标签中打开图片查看）：

2. InputFormat

从InputFormat类图看，InputFormat抽象类仅有两个抽象方法：

• List<InputSplit> getSplits()， 获取由输入文件计算出输入分片(InputSplit)，解决数据或文件分割成片问题。
• RecordReader<K,V> createRecordReader()，创建RecordReader，从InputSplit中读取数据，解决读取分片中数据问题。

在后面说到InputSplits的时候，会介绍在getSplits()时需要验证输入文件是否可分割、文件存储时分块的大小和文件大小等因素，所以总体来说，通过InputFormat，Mapreduce框架可以做到：

• 验证作业输入的正确性
• 将输入文件切割成逻辑分片(InputSplit)，一个InputSplit将会被分配给一个独立的MapTask
• 提供RecordReader实现，读取InputSplit中的“K-V对”供Mapper使用

InputFormat抽象类源码也很简单，如下供参考(文章格式考虑，删除了部分注释，添加了部分中文注释)：

public abstract class InputFormat
    
      {	/**	 * 仅仅是逻辑分片，并没有物理分片，所以每一个分片类似于这样一个元组 
     
      	 */	public abstract List
      
        getSplits(JobContext context)			throws IOException, InterruptedException;	/**	 * Create a record reader for a given split.	 */	public abstract RecordReader
       
         createRecordReader(InputSplit split,			TaskAttemptContext context) throws IOException,			InterruptedException;}
       
      
     
    

不同的InputFormat会各自实现不同的文件读取方式以及分片方式，每个输入分片会被单独的map task作为数据源。下面详细介绍输入分片(inputSplit)是什么。

 3.InputSplit

Mappers的输入是一个一个的输入分片，称InputSplit。看源码可知，InputSplit也是一个抽象类，它在逻辑上包含了提供给处理这个InputSplit的Mapper的所有K-V对。

public abstract class InputSplit {	  /**	   * 获取Split的大小，支持根据size对InputSplit排序.	   */	  public abstract long getLength() throws IOException, InterruptedException;	  /**	   * 获取存储该分片的数据所在的节点位置.	   */	  public abstract 	    String[] getLocations() throws IOException, InterruptedException;}

下面深入看一个InputSplit的子类：FileSplit类

public class FileSplit extends InputSplit implements Writable {	private Path file;	private long start;	private long length;	private String[] hosts;	/**	 * Constructs a split with host information	 * 	 * @param file	 *            the file name	 * @param start	 *            the position of the first byte in the file to process	 * @param length	 *            the number of bytes in the file to process	 * @param hosts	 *            the list of hosts containing the block, possibly null	 */	public FileSplit(Path file, long start, long length, String[] hosts) {		this.file = file;		this.start = start;		this.length = length;		this.hosts = hosts;	}	/** The number of bytes in the file to process. */	@Override	public long getLength() {		return length;	}	@Override	public String[] getLocations() throws IOException {		if (this.hosts == null) {			return new String[] {};		} else {			return this.hosts;		}	}	// 略掉部分方法}

从源码中可以看出，FileSplit有四个属性：文件路径，分片起始位置，分片长度和存储分片的hosts。用这四项数据，就可以计算出提供给每个Mapper的分片数据。在InputFormat的getSplit()方法中构造分片，分片的四个属性会通过调用FileSplit的Constructor设置。

再看一个InputSplit的子类：CombineFileSplit。源码如下：

public class CombineFileSplit extends InputSplit implements Writable {	private Path[] paths;	private long[] startoffset;	private long[] lengths;	private String[] locations;	private long totLength;	public CombineFileSplit(Path[] files, long[] start, long[] lengths,			String[] locations) {		initSplit(files, start, lengths, locations);	}	private void initSplit(Path[] files, long[] start, long[] lengths,			String[] locations) {		this.startoffset = start;		this.lengths = lengths;		this.paths = files;		this.totLength = 0;		this.locations = locations;		for (long length : lengths) {			totLength += length;		}	}	public long getLength() {		return totLength;	}	/** Returns all the Paths where this input-split resides */	public String[] getLocations() throws IOException {		return locations;	}	//省略了部分构造函数和方法，深入学习请阅读源文件}

为什么介绍该类呢，因为接下来要学习《》，深入理解该类，将有助于该节学习。

上面我们介绍的FileSplit对应的是一个输入文件，也就是说，如果用FileSplit对应的FileInputFormat作为输入格式，那么即使文件特别小，也是作为一个单独的InputSplit来处理，而每一个InputSplit将会由一个独立的Mapper Task来处理。在输入数据是由大量小文件组成的情形下，就会有同样大量的InputSplit，从而需要同样大量的Mapper来处理，大量的Mapper Task创建销毁开销将是巨大的，甚至对集群来说，是灾难性的！

CombineFileSplit是针对小文件的分片，它将一系列小文件封装在一个InputSplit内，这样一个Mapper就可以处理多个小文件。可以有效的降低进程开销。与FileSplit类似，CombineFileSplit同样包含文件路径，分片起始位置，分片大小和分片数据所在的host列表四个属性，只不过这些属性不再是一个值，而是一个列表。

需要注意的一点是，CombineFileSplit的getLength()方法，返回的是这一系列数据的数据的总长度。

现在，我们已深入的了解了InputSplit的概念，看了其源码，知道了其属性。我们知道数据分片是在InputFormat中实现的，接下来，我们就深入InputFormat的一个子类，FileInputFormat看看分片是如何进行的。

4. FileInputFormat

FileInputFormat中，分片方法代码及详细注释如下，就不再详细解释该方法：

public List
    
      getSplits(JobContext job) throws IOException {	// 首先计算分片的最大和最小值。这两个值将会用来计算分片的大小。	// 由源码可知，这两个值可以通过mapred.min.split.size和mapred.max.split.size来设置	long minSize = Math.max(getFormatMinSplitSize(), getMinSplitSize(job));	long maxSize = getMaxSplitSize(job);	// splits链表用来存储计算得到的输入分片结果	List
     
       splits = new ArrayList
      
       ();	// files链表存储由listStatus()获取的输入文件列表，listStatus比较特殊，我们在下面详细研究	List
       
         files = listStatus(job);	for (FileStatus file : files) {		Path path = file.getPath();		FileSystem fs = path.getFileSystem(job.getConfiguration());		long length = file.getLen();		// 获取该文件所有的block信息列表[hostname, offset, length]		BlockLocation[] blkLocations = fs.getFileBlockLocations(file, 0,				length);		// 判断文件是否可分割，通常是可分割的，但如果文件是压缩的，将不可分割		// 是否分割可以自行重写FileInputFormat的isSplitable来控制		if ((length != 0) && isSplitable(job, path)) {			long blockSize = file.getBlockSize();			// 计算分片大小			// 即 Math.max(minSize, Math.min(maxSize, blockSize));			// 也就是保证在minSize和maxSize之间，且如果minSize<=blockSize<=maxSize，则设为blockSize			long splitSize = computeSplitSize(blockSize, minSize, maxSize);			long bytesRemaining = length;			// 循环分片。			// 当剩余数据与分片大小比值大于Split_Slop时，继续分片， 小于等于时，停止分片			while (((double) bytesRemaining) / splitSize > SPLIT_SLOP) {				int blkIndex = getBlockIndex(blkLocations, length						- bytesRemaining);				splits.add(new FileSplit(path, length - bytesRemaining,						splitSize, blkLocations[blkIndex].getHosts()));				bytesRemaining -= splitSize;			}			// 处理余下的数据			if (bytesRemaining != 0) {				splits.add(new FileSplit(path, length - bytesRemaining,						bytesRemaining,						blkLocations[blkLocations.length - 1].getHosts()));			}		} else if (length != 0) {			// 不可split，整块返回			splits.add(new FileSplit(path, 0, length, blkLocations[0]					.getHosts()));		} else {			// 对于长度为0的文件，创建空Hosts列表，返回			splits.add(new FileSplit(path, 0, length, new String[0]));		}	}	// 设置输入文件数量	job.getConfiguration().setLong(NUM_INPUT_FILES, files.size());	return splits;}
       
      
     
    

在getSplits()方法中，我们提到了一个方法，listStatus()，我们先来看一下这个方法：

protected List
    
      listStatus(JobContext job) throws IOException {	// 省略部分代码...	List
     
       filters = new ArrayList
      
       ();	filters.add(hiddenFileFilter);	PathFilter jobFilter = getInputPathFilter(job);	if (jobFilter != null) {		filters.add(jobFilter);	}	// 创建了一个MultiPathFilter，其内部包含了两个PathFilter	// 一个为过滤隐藏文件的Filter，一个为用户自定义Filter(如果制定了)	PathFilter inputFilter = new MultiPathFilter(filters);	for (int i = 0; i < dirs.length; ++i) {		Path p = dirs[i];		FileSystem fs = p.getFileSystem(job.getConfiguration());		FileStatus[] matches = fs.globStatus(p, inputFilter);		if (matches == null) {			errors.add(new IOException("Input path does not exist: " + p));		} else if (matches.length == 0) {			errors.add(new IOException("Input Pattern " + p					+ " matches 0 files"));		} else {			for (FileStatus globStat : matches) {				if (globStat.isDir()) {					for (FileStatus stat : fs.listStatus(							globStat.getPath(), inputFilter)) {						result.add(stat);					}				} else {					result.add(globStat);				}			}		}	}	// 省略部分代码}NLineInputFormat是一个很有意思的FileInputFormat的子类，有时间可以了解一下。
      
     
    

 5. PathFilter

PathFilter文件筛选器接口，使用它我们可以控制哪些文件要作为输入，哪些不作为输入。PathFilter有一个accept(Path)方法，当接收的Path要被包含进来，就返回true，否则返回false。可以通过设置mapred.input.pathFilter.class来设置用户自定义的PathFilter。

public interface PathFilter {  /**   * Tests whether or not the specified abstract pathname should be   * included in a pathname list.   *   * @param  path  The abstract pathname to be tested   * @return  true if and only if pathname   *          should be included   */  boolean accept(Path path);}

FileInputFormat类有hiddenFileFilter属性：

private static final PathFilter hiddenFileFilter = new PathFilter() {	public boolean accept(Path p) {		String name = p.getName();		return !name.startsWith("_") && !name.startsWith(".");	}};

hiddenFileFilter过滤掉隐藏文件。

FileInputFormat类还有一个内部类：

private static class MultiPathFilter implements PathFilter {	private List
    
      filters;	public MultiPathFilter(List
     
       filters) {		this.filters = filters;	}	public boolean accept(Path path) {		for (PathFilter filter : filters) {			if (!filter.accept(path)) {				return false;			}		}		return true;	}}
     
    

MultiPathFilter类类似于一个PathFilter代理，其内部有一个PathFilter list属性，只有符合其内部所有filter的路径，才被作为输入。在FileInputFormat类中，它被listStatus()方法调用，而listStatus()又被getSplits()方法调用来获取输入文件，也即实现了在获取输入分片前进行文件过滤。

至此，我们已经利用PathFilter过滤了文件，利用FileInputFormat 的getSplits方法，计算出了Mapreduce的Map的InputSplit。作业的输入分片有了，而这些分片，是怎么被Map读取的呢？

这由InputFormat中的另一个方法createRecordReader()来负责。FileInputFormat没有对于这个方法的实现，而是交给子类自行去实现它。

 6. RecordReader

RecordReader将读入到Map的数据拆分成<key, value>对。RecordReader也是一个抽象类，下面我们通过源码看一下，RecordReader主要做哪些工作：

public abstract class RecordReader
    
      implements Closeable {	/**	 * 由一个InputSplit初始化	 */	public abstract void initialize(InputSplit split, TaskAttemptContext context)			throws IOException, InterruptedException;	/**	 * 顾名思义，读取分片下一个
     
      对	 */	public abstract boolean nextKeyValue() throws IOException,			InterruptedException;	/**	 * Get the current key	 */	public abstract KEYIN getCurrentKey() throws IOException,			InterruptedException;	/**	 * Get the current value.	 */	public abstract VALUEIN getCurrentValue() throws IOException,			InterruptedException;	/**	 * 跟踪读取分片的进度	 */	public abstract float getProgress() throws IOException,			InterruptedException;	/**	 * Close the record reader.	 */	public abstract void close() throws IOException;}
     
    

从源码可以看出，一个RecordReader主要来完成这几项功能。接下来，通过一个具体的RecordReader实现类，来详细了解一下各功能的具体操作。

public class LineRecordReader extends RecordReader
    
      {	private CompressionCodecFactory compressionCodecs = null;	private long start;	private long pos;	private long end;	private LineReader in;	private int maxLineLength;	private LongWritable key = null;	private Text value = null;	// initialize函数即对LineRecordReader的一个初始化	// 主要是计算分片的始末位置，打开输入流以供读取K-V对，处理分片经过压缩的情况等	public void initialize(InputSplit genericSplit, TaskAttemptContext context)			throws IOException {		FileSplit split = (FileSplit) genericSplit;		Configuration job = context.getConfiguration();		this.maxLineLength = job.getInt("mapred.linerecordreader.maxlength",				Integer.MAX_VALUE);		start = split.getStart();		end = start + split.getLength();		final Path file = split.getPath();		compressionCodecs = new CompressionCodecFactory(job);		final CompressionCodec codec = compressionCodecs.getCodec(file);		// 打开文件，并定位到分片读取的起始位置		FileSystem fs = file.getFileSystem(job);		FSDataInputStream fileIn = fs.open(split.getPath());		boolean skipFirstLine = false;		if (codec != null) {			// 文件是压缩文件的话，直接打开文件			in = new LineReader(codec.createInputStream(fileIn), job);			end = Long.MAX_VALUE;		} else {			//			if (start != 0) {				skipFirstLine = true;				--start;				// 定位到偏移位置，下次读取就会从便宜位置开始				fileIn.seek(start);			}			in = new LineReader(fileIn, job);		}		if (skipFirstLine) { // skip first line and re-establish "start".			start += in.readLine(new Text(), 0,					(int) Math.min((long) Integer.MAX_VALUE, end - start));		}		this.pos = start;	}	public boolean nextKeyValue() throws IOException {		if (key == null) {			key = new LongWritable();		}		key.set(pos);// key即为偏移量		if (value == null) {			value = new Text();		}		int newSize = 0;		while (pos < end) {			newSize = in.readLine(value, maxLineLength,					Math.max((int) Math.min(Integer.MAX_VALUE, end - pos),							maxLineLength));			// 读取的数据长度为0，则说明已读完			if (newSize == 0) {				break;			}			pos += newSize;			// 读取的数据长度小于最大行长度，也说明已读取完毕			if (newSize < maxLineLength) {				break;			}			// 执行到此处，说明该行数据没读完，继续读入		}		if (newSize == 0) {			key = null;			value = null;			return false;		} else {			return true;		}	}	// 省略了部分方法}
    

数据从InputSplit分片中读出已经解决，但是RecordReader是如何被Mapreduce框架利用的呢？我们先看一下Mapper类

 7. Mapper

 

public class Mapper
    
      {	public class Context extends MapContext
     
       {		public Context(Configuration conf, TaskAttemptID taskid,				RecordReader
      
        reader,				RecordWriter
       
         writer,				OutputCommitter committer, StatusReporter reporter,				InputSplit split) throws IOException, InterruptedException {			super(conf, taskid, reader, writer, committer, reporter, split);		}	}	/**	 * 预处理，仅在map task启动时运行一次	 */	protected void setup(Context context) throws IOException,			InterruptedException {	}	/**	 * 对于InputSplit中的每一对
        
         都会运行一次	 */	@SuppressWarnings("unchecked")	protected void map(KEYIN key, VALUEIN value, Context context)			throws IOException, InterruptedException {		context.write((KEYOUT) key, (VALUEOUT) value);	}	/**	 * 扫尾工作，比如关闭流等	 */	protected void cleanup(Context context) throws IOException,			InterruptedException {	}	/**	 * map task的驱动器	 */	public void run(Context context) throws IOException, InterruptedException {		setup(context);		while (context.nextKeyValue()) {			map(context.getCurrentKey(), context.getCurrentValue(), context);		}		cleanup(context);	}}
        
       
      
     
    

 

重点看一下Mapper.class中的run()方法，它相当于map task的驱动。

• run()方法首先调用setup()进行初始操作
• 然后循环对每个从context.nextKeyValue()获取的“K-V对”调用map()函数进行处理
• 最后调用cleanup()做最后的处理

事实上，content.nextKeyValue()就是使用了相应的RecordReader来获取“K-V对”。Mapper.class中的Context类，它继承自MapContext类，使用一个RecordReader进行构造。下面我们再看这个MapContext。

public class MapContext
    
      extends		TaskInputOutputContext
     
       {	private RecordReader
      
        reader;	private InputSplit split;	public MapContext(Configuration conf, TaskAttemptID taskid,			RecordReader
       
         reader,			RecordWriter
        
          writer, OutputCommitter committer,			StatusReporter reporter, InputSplit split) {		super(conf, taskid, writer, committer, reporter);		this.reader = reader;		this.split = split;	}	/**	 * Get the input split for this map.	 */	public InputSplit getInputSplit() {		return split;	}	@Override	public KEYIN getCurrentKey() throws IOException, InterruptedException {		return reader.getCurrentKey();	}	@Override	public VALUEIN getCurrentValue() throws IOException, InterruptedException {		return reader.getCurrentValue();	}	@Override	public boolean nextKeyValue() throws IOException, InterruptedException {		return reader.nextKeyValue();	}}
        
       
      
     
    

从MapContent类中的方法可见，content.getCurrentKey()，content.getCurrentValue()以及nextKeyValue()，其实都是对RecordReader方法的封装，即MapContext是直接使用传入的RecordReader来对InputSplit进行“K-V对”读取的。

至此，我们已经清楚的知道Mapreduce的输入文件是如何被过滤、读取、分片、读出“K-V对”，然后交给Mapper类来处理的。

 

原创作品，允许转载，转载时请务必以超链接形式标明文章 、作者信息和

本声明。否则将追究法律责任。http://shitouer.cn/2013/02/hadoop-source-code-analyse-mapreduce-inputformat/