Hadoop默认的读取一条数据,使用的就是LineReader的readLine方法,这个方法具体怎么工作,可以直接看源码,因为比较复杂,所以加上一些注释:
/** * Read one line from the InputStream into the given Text. A line can be * terminated by one of the following: '\n' (LF) , '\r' (CR), or '\r\n' * (CR+LF). EOF also terminates an otherwise unterminated line. * * @param str the object to store the given line (without newline) * @param maxLineLength the maximum number of bytes to store into str; the * rest of the line is silently discarded. * @param maxBytesToConsume the maximum number of bytes to consume in this * call. This is only a hint, because if the line cross this * threshold, we allow it to happen. It can overshoot potentially by * as much as one buffer length. * * @return the number of bytes read including the (longest) newline found. * * @throws IOException if the underlying stream throws */ public int readLine(Text str, int maxLineLength, int maxBytesToConsume) throws IOException { /* * We're reading data from in, but the head of the stream may be already * buffered in buffer, so we have several cases: * * 缓存的大小为默认的64k,在请求获取下一条数据的时候,有可能请求的数据已经在缓存中存在, * 一条数据的大小有可能没有64k,这个情况是存在的,所以就分为下面几种情况: * * 1. 缓存中的数据没有新的一行的标记,如\n 或者 \r,那么就将这个缓存中的所有数据拷贝出来, * 并且从另外一个缓存中读取一条记录的后半部分 * * 2. 如果缓存中有不规则的结束行,则将这行赋给str,这一条什么意思 ? * * 3. 如果缓存中存在规则的结束行,如\r,那么将缓存中\r之前的数据赋值给str,但同时,也需要 * 看与\r紧挨着的字符是什么。如果是\n,那么在处理这条记录的同时,也需要将缓存中的这个\n消除, * 这样下次读取一行的时候会从\n后面开始读。 使用标志prevCharCR 来标志前面一个字符是否为\r * 如果缓冲区中的最后一个字符正好是\r,需要寻找紧挨这个字符的字符是什么,根据紧挨着的字符来判断 * 继续的动作 * * 1. No newline characters are in the buffer, * so we need to copy everything and read * another buffer from the stream. * * 2. An unambiguously terminated line * is in buffer, so we just copy to str. * * 3. Ambiguously terminated line * is in buffer, i.e. buffer ends in CR. In this case we copy everything * up to CR to str, but we also need to see what follows CR: if it's LF, * then we need consume LF as well, so next call to readLine will read * from after that. We use a flag prevCharCR to signal if previous * character was CR and, if it happens to be at the end of the buffer, * delay consuming it until we have a chance to look at the char that * follows. */ // 清理str已有的数据 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 { // // bufferPosn存储缓冲区当前的位置,表示上一次读取数据到达的位置 // 如果上一次读取到400位置的字符,那么现在冲401开始读取 // int startPosn = bufferPosn; // starting from where we left off the // last time // 如果当前的位置超过了缓冲区的长度,这种情况的出现是因为 // 在当前的缓冲区中为读取一行结束的标识,所以的继续读入新的 // 数据填充缓冲区,以便继续寻找 if (bufferPosn >= bufferLength) { // 充值bufferPosn参数,从 0 开始 startPosn = bufferPosn = 0; // 判断上一个字符是否为 \r if (prevCharCR) ++bytesConsumed; // account for CR from previous read // 冲输入流in中读取数据存储到buffer中,读取的数据长度为bufferLength bufferLength = in.read(buffer); // 如果没有读取到数据,则跳出循环 if (bufferLength <= 0) break; // EOF } // 从bufferPosn位置开始往后读取 for (; bufferPosn < bufferLength; ++bufferPosn) { // search for newline // 寻找新的一行的标志 \n if (buffer[bufferPosn] == LF) { /*********************************** * ‹p› ‹p› * | | * 0080abcdk\r\ngabld008924\r\n * ***********************************/ // 找到\n后,看前一个字符是否为\r,如果为\r // 返回newlineLength = 2,否则为 newlineLength = 1 newlineLength = (prevCharCR) ? 2 : 1; ++bufferPosn; // at next invocation proceed from following // byte break; } /*********************************** * ‹p› ‹p› * | | * 0080abcdk\rgabld008924\r\n * ***********************************/ // 到字符 g 的时候,发现前面一个字符是\r,newlineLength = 1 if (prevCharCR) { // CR + notLF, we are at notLF newlineLength = 1; break; } // 读取到\r的时候,prevCharCR被设置为true,下一轮就进入了前面的判断, // 设置newlineLength = 1,跳出循环 prevCharCR = (buffer[bufferPosn] == CR); } // 获取此次读取的数据长度 int readLength = bufferPosn - startPosn; // 处理第三种情况,正好读取缓冲区的最末尾,而且正好是\r /*********************************** * ‹p› ‹p› * | |←| * 0080abcdk\r * ***********************************/ if (prevCharCR && newlineLength == 0) --readLength; // CR at the end of the buffer bytesConsumed += readLength; int appendLength = readLength - newlineLength; // 如果当前这条记录的长度超过Text允许存储的数据长度maxLineLength // 将appendLength赋值为 maxLineLength - txtLength if (appendLength > maxLineLength - txtLength) { appendLength = maxLineLength - txtLength; } if (appendLength > 0) { // 将缓冲区buffer从startPson位置开始的长度为appendLength的数据赋值为str str.append(buffer, startPosn, appendLength); // 处理记录长度超过maxLineLength的情况,分多次赋值 txtLength += appendLength; } } // newlineLength = 0 处理记录长度超过maxLineLength的情况,分多次赋值 while (newlineLength == 0 && bytesConsumed < maxBytesToConsume); // 一条记录的长度太长了,跑出异常 if (bytesConsumed > (long) Integer.MAX_VALUE) throw new IOException("Too many bytes before newline: " + bytesConsumed); return (int) bytesConsumed; }
相关推荐
《Hadoop技术内幕:深入解析YARN架构设计与实现原理》是一本专注于Hadoop生态系统中资源管理和调度核心组件——YARN(Yet Another Resource Negotiator)的专著。这本书全面介绍了YARN的架构、设计思想以及实际操作...
Hadoop 技术内幕:深入解析Hadoop Common 和HDFS 架构设计与实现原理
根据提供的文件信息,本文将深入解析《Hadoop技术内幕:深入解析MapReduce架构设计与实现原理》这本书中的关键知识点,主要包括Hadoop的核心组件——MapReduce的设计理念、架构组成及其具体的实现原理。 ### Hadoop...
Hadoop技术内幕深入解析YARN架构设计与实现原理
Hadoop技术内幕:深入解析Hadoop Common 和HDFS 架构设计与实现原理 (大数据技术丛书) 原版书籍,非扫描版,使用kindle可以打开,也可以转换为epub使用ibooks打开
《Hadoop技术内幕深入解析YARN架构设计与实现原理》.(董西成).PDF
《Hadoop技术内幕深入解析YARN架构设计与实现原理》这本书深入探讨了Hadoop生态系统中的核心组件YARN(Yet Another Resource Negotiator),它是Hadoop 2.x版本中的关键改进,旨在解决早期Hadoop MapReduce的资源...
《Hadoop技术内幕:深入解析Hadoop Common和HDFS架构设计与实现原理》还从源代码实现中对分布式技术的精髓、分布式系统设计的优秀思想和方法,以及Java语言的编码技巧、编程规范和对设计模式的精妙运用进行了总结和...
除此之外,《Hadoop技术内幕:深入解析Hadoop Common和HDFS架构设计与实现原理》还从源代码实现中对分布式技术的精髓、分布式系统设计的优秀思想和方法,以及Java语言的编码技巧、编程规范和对设计模式的精妙运用进行...
《Hadoop技术内幕:深入解析HADOOP COMMON和HDFS架构设计与实现原理》这本书是IT领域的经典之作,专门探讨了Hadoop的核心组件——Hadoop Common和HDFS(Hadoop Distributed File System)的设计理念、架构及其背后的...
《Hadoop技术内幕:深入解析MapReduce架构设计与实现原理》是一本专注于Hadoop核心组件MapReduce的专业技术书籍。MapReduce是Google提出的一种分布式计算模型,后来被Hadoop社区广泛采纳,成为处理海量数据的核心...
通过阅读《Hadoop技术内幕深入解析YARN架构设计与实现原理》这本书,读者可以深入了解YARN的工作原理,学习如何优化YARN配置,以及如何解决实际操作中遇到的问题,从而更好地利用Hadoop集群资源,提升大数据处理的...
《Hadoop技术内幕:深入解析YARN架构设计与实现原理》是一本专注于Hadoop生态系统中的核心组件YARN(Yet Another Resource Negotiator)的专著。这本书以高清文字版的形式提供了对YARN的深入理解,旨在帮助读者掌握...
《Hadoop技术内幕:深入解析MapReduce架构设计与实现原理》由Hadoop领域资深的实践者亲自执笔,首先介绍了MapReduce的设计理念和编程模型,然后从源代码的角度深入分析了RPC框架、客户端、JobTracker、TaskTracker和...
《hadoop技术内幕:深入解析yarn架构设计与实现原理》是“hadoop技术内幕”系列的第3本书,前面两本分别对common、hdfs和mapreduce进行了深入分析和讲解,赢得了极好的口碑,hadoop领域几乎人手一册,本书则对yarn...
hadoop技术内幕 深入解析mapreduce架构设计与实现原理,这本书从底层架构和设计的校对hadoop进行了讲解,比较全面深入。
Hadoop技术内幕:深入解析MapReduce架构设计i与实现原理Hadoop技术内幕:深入解析MapReduce架构设计i与实现原理Hadoop技术内幕:深入解析MapReduce架构设计i与实现原理Hadoop技术内幕:深入解析MapReduce架构设计i与...
### Hadoop技术内幕:深入解析MapReduce架构设计与实现原理 #### 一、Hadoop及其重要性 Hadoop是一个开放源代码的分布式计算框架,它能够处理大量的数据集,并通过集群提供高性能的数据处理能力。随着大数据时代的...
Hadoop技术内幕:深入解析MapReduce架构设计与实现原理(扫描版)Hadoop技术内幕:深入解析MapReduce架构设计与实现原理(扫描版)Hadoop技术内幕:深入解析MapReduce架构设计与实现原理(扫描版)