Hadoop MapReduce中如何处理跨行Block和UnputSplit

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。

publicList<InputSplit>getSplits(JobContextjob)throwsIOException{
longminSize=Math.max(getFormatMinSplitSize(),getMinSplitSize(job));
longmaxSize=getMaxSplitSize(job);

//generatesplits
List<InputSplit>splits=newArrayList<InputSplit>();
List<FileStatus>files=listStatus(job);
for(FileStatusfile:files){
Pathpath=file.getPath();
longlength=file.getLen();
if(length!=0){
FileSystemfs=path.getFileSystem(job.getConfiguration());
BlockLocation[]blkLocations=fs.getFileBlockLocations(file,0,length);
if(isSplitable(job,path)){
longblockSize=file.getBlockSize();
longsplitSize=computeSplitSize(blockSize,minSize,maxSize);

longbytesRemaining=length;
while(((double)bytesRemaining)/splitSize>SPLIT_SLOP){
intblkIndex=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{//notsplitable
splits.add(makeSplit(path,0,length,blkLocations[0].getHosts()));
}
}else{
//Createemptyhostsarrayforzerolengthfiles
splits.add(makeSplit(path,0,length,newString[0]));
}
}
//Savethenumberofinputfilesformetrics/loadgen
job.getConfiguration().setLong(NUM_INPUT_FILES,files.size());
LOG.debug("Total#ofsplits:"+splits.size());
returnsplits;
}

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;
}

其读取文件是通过LineReader（in就是一个LineReader实例）的readLine方法完成的：

publicintreadLine(Textstr,intmaxLineLength,
intmaxBytesToConsume)throwsIOException{
if(this.recordDelimiterBytes!=null){
returnreadCustomLine(str,maxLineLength,maxBytesToConsume);
}else{
returnreadDefaultLine(str,maxLineLength,maxBytesToConsume);
}
}

/**
*ReadalineterminatedbyoneofCR,LF,orCRLF.
*/
privateintreadDefaultLine(Textstr,intmaxLineLength,intmaxBytesToConsume)
throwsIOException{
str.clear();
inttxtLength=0;//tracksstr.getLength(),asanoptimization
intnewlineLength=0;//lengthofterminatingnewline
booleanprevCharCR=false;//trueofprevcharwasCR
longbytesConsumed=0;
do{
intstartPosn=bufferPosn;//startingfromwhereweleftoffthelasttime
if(bufferPosn>=bufferLength){
startPosn=bufferPosn=0;
if(prevCharCR)
++bytesConsumed;//accountforCRfrompreviousread
bufferLength=in.read(buffer);
if(bufferLength<=0)
break;//EOF
}
for(;bufferPosn<bufferLength;++bufferPosn){//searchfornewline
if(buffer[bufferPosn]==LF){
newlineLength=(prevCharCR)?2:1;
++bufferPosn;//atnextinvocationproceedfromfollowingbyte
break;
}
if(prevCharCR){//CR+notLF,weareatnotLF
newlineLength=1;
break;
}
prevCharCR=(buffer[bufferPosn]==CR);
}
intreadLength=bufferPosn-startPosn;
if(prevCharCR&&newlineLength==0)
--readLength;//CRattheendofthebuffer
bytesConsumed+=readLength;
intappendLength=readLength-newlineLength;
if(appendLength>maxLineLength-txtLength){
appendLength=maxLineLength-txtLength;
}
if(appendLength>0){
str.append(buffer,startPosn,appendLength);
txtLength+=appendLength;
}
}while(newlineLength==0&&bytesConsumed<maxBytesToConsume);<spanstyle="color:#ff0000;">//①</span>

if(bytesConsumed>(long)Integer.MAX_VALUE)
thrownewIOException("Toomanybytesbeforenewline:"+bytesConsumed);
return(int)bytesConsumed;
}

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。

publicbooleannextKeyValue()throwsIOException{
if(key==null){
key=newLongWritable();
}
key.set(pos);
if(value==null){
value=newText();
}
intnewSize=0;
//Wealwaysreadoneextraline,whichliesoutsidetheupper
//splitlimiti.e.(end-1)
while(getFilePosition()<=end){<spanstyle="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;
}

//linetoolong.tryagain
LOG.info("Skippedlineofsize"+newSize+"atpos"+
(pos-newSize));
}
if(newSize==0){
key=null;
value=null;
returnfalse;
}else{
returntrue;
}
}

通过代码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：

//Ifthisisnotthefirstsplit,wealwaysthrowawayfirstrecord
//becausewealways(exceptthelastsplit)readoneextralinein
//next()method.
if(start!=0){
start+=in.readLine(newText(),0,maxBytesToConsume(start));
}
this.pos=start;

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。

此次，前面提到的两个问题就回到完了。。。。。