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。

[java] view plaincopy

1. public List<InputSplit> getSplits(JobContext job) throws IOException {
2. long minSize = Math.max(getFormatMinSplitSize(), getMinSplitSize(job));
3. long maxSize = getMaxSplitSize(job);
4. // generate splits
5. List<InputSplit> splits = new ArrayList<InputSplit>();
6. List<FileStatus> files = listStatus(job);
7. for (FileStatus file: files) {
8. Path path = file.getPath();
9. long length = file.getLen();
10. if (length != 0) {
11. FileSystem fs = path.getFileSystem(job.getConfiguration());
12. BlockLocation[] blkLocations = fs.getFileBlockLocations(file, 0, length);
13. if (isSplitable(job, path)) {
14. long blockSize = file.getBlockSize();
15. long splitSize = computeSplitSize(blockSize, minSize, maxSize);
16. long bytesRemaining = length;
17. while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {
18. int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
19. splits.add(makeSplit(path, length-bytesRemaining, splitSize,
20. blkLocations[blkIndex].getHosts()));
21. bytesRemaining -= splitSize;
22. }
23. if (bytesRemaining != 0) {
24. splits.add(makeSplit(path, length-bytesRemaining, bytesRemaining,
25. blkLocations[blkLocations.length-1].getHosts()));
26. }
27. } else { // not splitable
28. splits.add(makeSplit(path, 0, length, blkLocations[0].getHosts()));
29. }
30. } else {
31. //Create empty hosts array for zero length files
32. splits.add(makeSplit(path, 0, length, new String[0]));
33. }
34. }
35. // Save the number of input files for metrics/loadgen
36. job.getConfiguration().setLong(NUM_INPUT_FILES, files.size());
37. LOG.debug("Total # of splits: " + splits.size());
38. return splits;
39. }

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：

[java] view plaincopy

1. while (getFilePosition() <= end) {
2. newSize = in.readLine(value, maxLineLength,
3. Math.max(maxBytesToConsume(pos), maxLineLength));
4. if (newSize == 0) {
5. break;
6. }

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

[java] view plaincopy

1. public int readLine(Text str, int maxLineLength,
2. int maxBytesToConsume) throws IOException {
3. if (this.recordDelimiterBytes != null) {
4. return readCustomLine(str, maxLineLength, maxBytesToConsume);
5. } else {
6. return readDefaultLine(str, maxLineLength, maxBytesToConsume);
7. }
8. }
9. /**
10. * Read a line terminated by one of CR, LF, or CRLF.
11. */
12. private int readDefaultLine(Text str, int maxLineLength, int maxBytesToConsume)
13. throws IOException {
14. str.clear();
15. int txtLength = 0; //tracks str.getLength(), as an optimization
16. int newlineLength = 0; //length of terminating newline
17. boolean prevCharCR = false; //true of prev char was CR
18. long bytesConsumed = 0;
19. do {
20. int startPosn = bufferPosn; //starting from where we left off the last time
21. if (bufferPosn >= bufferLength) {
22. startPosn = bufferPosn = 0;
23. if (prevCharCR)
24. ++bytesConsumed; //account for CR from previous read
25. bufferLength = in.read(buffer);
26. if (bufferLength <= 0)
27. break; // EOF
28. }
29. for (; bufferPosn < bufferLength; ++bufferPosn) { //search for newline
30. if (buffer[bufferPosn] == LF) {
31. newlineLength = (prevCharCR) ? 2 : 1;
32. ++bufferPosn; // at next invocation proceed from following byte
33. break;
34. }
35. if (prevCharCR) { //CR + notLF, we are at notLF
36. newlineLength = 1;
37. break;
38. }
39. prevCharCR = (buffer[bufferPosn] == CR);
40. }
41. int readLength = bufferPosn - startPosn;
42. if (prevCharCR && newlineLength == 0)
43. --readLength; //CR at the end of the buffer
44. bytesConsumed += readLength;
45. int appendLength = readLength - newlineLength;
46. if (appendLength > maxLineLength - txtLength) {
47. appendLength = maxLineLength - txtLength;
48. }
49. if (appendLength > 0) {
50. str.append(buffer, startPosn, appendLength);
51. txtLength += appendLength;
52. }
53. } while (newlineLength == 0 && bytesConsumed < maxBytesToConsume);   <span style="color: #ff0000;">//①</span>
54. if (bytesConsumed > (long)Integer.MAX_VALUE)
55. throw new IOException("Too many bytes before newline: " + bytesConsumed);
56. return (int)bytesConsumed;
57. }

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。

[java] view plaincopy

1. public boolean nextKeyValue() throws IOException {
2. if (key == null) {
3. key = new LongWritable();
4. }
5. key.set(pos);
6. if (value == null) {
7. value = new Text();
8. }
9. int newSize = 0;
10. // We always read one extra line, which lies outside the upper
11. // split limit i.e. (end - 1)
12. while (getFilePosition() <= end) {        <span style="color: #ff0000;"> //②</span>
13. newSize = in.readLine(value, maxLineLength,
14. Math.max(maxBytesToConsume(pos), maxLineLength));
15. if (newSize == 0) {
16. break;
17. }
18. pos += newSize;
19. inputByteCounter.increment(newSize);
20. if (newSize < maxLineLength) {
21. break;
22. }
23. // line too long. try again
24. LOG.info("Skipped line of size " + newSize + " at pos " +
25. (pos - newSize));
26. }
27. if (newSize == 0) {
28. key = null;
29. value = null;
30. return false;
31. } else {
32. return true;
33. }
34. }

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：

[java] view plaincopy

1. // If this is not the first split, we always throw away first record
2. // because we always (except the last split) read one extra line in
3. // next() method.
4. if (start != 0) {
5. start += in.readLine(new Text(), 0, maxBytesToConsume(start));
6. }
7. 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。