hadoop分片分析

　　上一篇分析了split的生成，现在接着来说具体的split具体内容及其相关的文件和类。以FileSplit(mapred包下org/apache/hadoop/mapreduce/lib/input/FileSplit.java)为例，它继承了InputSplit接口，包括以下属性：

 public class FileSplit extends InputSplit implements Writable {
   private Path file;        //分片对应的文件路径
   private long start;       //分片在文件中的偏移量
   private long length;      //分片长度
   private String[] hosts;   //所在主机列表

　　其中路径信息file标示了split对应的文件，其格式是这样的：hdfs://localhost:9000/home/hadoop/input/text1.txt。这个可以在debug的时候看的很清楚。另外就是hosts数组，标示了split对应的block所在的主机列表。当然有这么一种情况：就是split可能跨多个block，这时hosts表示的是哪个block所在的主机列表呢？这个问题等以后看到这部分源码的时候再说吧。

　　JobClient端的submitJobInternal()方法在计划和划分split的同时，生成了两个文件：job.split和job.splitmetainfo，将其放在HDFS的${mapreduce.jobtracker.staging.root.dir}/${user}/.staging/${JobId}目录下。他们的作用分别为：

　　job.split：表示原始分片信息，Map task初始化时使用，用以获取要处理的数据。

　　job.splitmetainfo：表示分片元信息， JobTracker用来构造locality的task。

　　下面着重解析下这两个文件：

job.split文件：

SPL ：job.split文件头

version：版本信息，为1，int类型

类名信息：

类名长度：int类型，表示其后的类名由多少个字符组成(47)

类名：org.apache.hadoop.mapreduce.lib.input.FileSplit(共47个字符)

对象信息：

长度：int类型，表示其后的文件名信息由多少字符组成(49)

文件名：hdfs://localhost:9000/home/hadoop/input/text1.txt(共49个字符)

start：Long类型，表示该split的偏移量，

length：Long类型，表示分片长度

　　然后就是类名信息和对象信息作为一个条目，如此一直重复下去。要注意一点：图中的的边界并不一定是对齐的。

Job.splitmetainfo文件：

META-SPL ：Job.splitmetainfo文件头

version：版本信息，为1，int类型

length：split的数目，int类型

副本信息：

副本个数：int类型

主机信息：int(表示主机名的长度)，byte[](用来存储主机名) (如：8：gouyk-pc)

　　　　　  …… (以上边的形式重复写，因为会有多个split)

startOffset：split在job.split中的偏移量，Long

inputDataLength：分片长度， Long

　　然后就是副本信息和startOffset、inputDataLength作为一个条目，如此一直重复下去。同样，图中的的边界并不一定是对齐的。

　　下面说说关于读写split的基础类：SplitMetaInfo、TaskSplitMetaInfo和TaskSplitIndex，它们都封装在JobSplit类中。

　　SplitMetaInfo类代表了split的元数据信息，在生成job.split文件时被构造出来。主要属性如下：

  public static class SplitMetaInfo implements Writable {
     private long startOffset;        //该split元信息在job.split文件中的偏移量
     private long inputDataLength;    //该split的数据长度
     private String[] locations;      //该split对应的host列表

　　TaskSplitMetaInfo类代表了Map Task要处理的split的元信息，在JobTracker端初始化Job时读取job.splitmetainfo文件后被构造出来。并将其存入到Map Task(TaskInProgress)中。在TaskTracker端，Map Task根据TaskSplitMetaInfo从job.split文件中读取split信息。主要属性如下：

  public static class TaskSplitMetaInfo {
     private TaskSplitIndex splitIndex;   //split元信息在job.split文件中的索引
     private long inputDataLength;        //split的数据长度
     private String[] locations;          //split对应的host列表

　　TaskSplitIndex用于指定split在job.split中的位置。主要属性如下：

   public static class TaskSplitIndex {
     private String splitLocation;    //job.split文件所在的位置
     private long startOffset;        //split在job.split文件中的索引

　　

　　本文基于hadoop1.2.1

　　如有错误，还请指正

　　参考文章：《Hadoop技术内幕 深入理解MapReduce架构设计与实现原理》 董西成

　　　　　　　　http://blog.sina.com.cn/s/blog_9d31d3870101dtx8.html

　　转载请注明出处：http://www.cnblogs.com/gwgyk/p/4123414.html