InputSplit—>RecordReder—>map(key,value,context)的过程解析

上图首先描述了在TaskTracker端Task(MapTask、ReduceTask)的执行过程，MapTask(org.apache.hadoop.mapred)首先被TaskRunner调用，然后在MapTask内部首先进行一些初始化工作，然后调用run()方法，判断如果使用了新版API就调用RunNewMapper()开始执行Map操作。

1）runNewMapper()分析

1.首先创建一个Mapper对象

// make a mapper
    org.apache.hadoop.mapreduce.Mapper<INKEY,INVALUE,OUTKEY,OUTVALUE> mapper =
      (org.apache.hadoop.mapreduce.Mapper<INKEY,INVALUE,OUTKEY,OUTVALUE>)
        ReflectionUtils.newInstance(taskContext.getMapperClass(), job);

2.创建一个InputFormat对象

 org.apache.hadoop.mapreduce.InputFormat<INKEY,INVALUE> inputFormat =
      (org.apache.hadoop.mapreduce.InputFormat<INKEY,INVALUE>)
        ReflectionUtils.newInstance(taskContext.getInputFormatClass(), job);

3.创建InputSplit对象

  org.apache.hadoop.mapreduce.InputSplit split = null;
    split = getSplitDetails(new Path(splitIndex.getSplitLocation()),
        splitIndex.getStartOffset());//获得分片的详细信息

其中，splitIndex是TaskSplitIndex类型(用于指示此mapTask处理的分片)，TaskSplitIndex有两个字段：

String splitLocation  //job.split在HDFS上的路径

long startOffset    //此次处理的分片在job.split中的位置。

利用上述两个字段首先找到job.split，然后就可以在startOffset的位置处找到这次处理的分片的详细信息。

4.利用InputFormat和InputSplit创建RecordReader对象input，这里应该是已经确定了input具体是那种记录读取器，例如LineRecordReader

 org.apache.hadoop.mapreduce.RecordReader<INKEY,INVALUE> input =
      new NewTrackingRecordReader<INKEY,INVALUE>
          (split, inputFormat, reporter, job, taskContext);

5.创建输出收集器OutputCollector对象output（如果reduce=0创建NewDirectOutputCollector类对象，否则创建NewOutputCollector类对象）

     // get an output object
      if (job.getNumReduceTasks() == 0) {//reduce数量如果是0
         output =
           new NewDirectOutputCollector(taskContext, job, umbilical, reporter);
      } else {
        output = new NewOutputCollector(taskContext, job, umbilical, reporter);
      }

6.利用上述对象创建MapContext类的对象mapperContext

mapperContext = contextConstructor.newInstance(mapper, job, getTaskID(),
                                                     input, output, committer,
                                                     reporter, split);

其中reader和split是数据成员，getCurrentKey()是获得当前的key，同样getCurrentValue().如果还有下条记录，nextKeyValue()返回true，否则返回false，这三个方法均由reader调用。由于RecordReader是抽象类，并未实现相关方法，其子类实现了这些方法。

 @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();
  }

在MapContext的构造函数中，字段reader就是由input初始化的，所以reader的具体类型也是已经确定了的，所以会调用具体实现了的这些方法，例如LineRecorReader的方法

(在org.apache.hadoop.mapreduce.lib.input中找到，因为新版API重写了LineRecordReader),以下是LineRecordReader部分源码()：

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;
  private Seekable filePosition;
  private CompressionCodec codec;
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);
    codec = compressionCodecs.getCodec(file);

    // open the file and seek to the start of the split
    FileSystem fs = file.getFileSystem(job);
    FSDataInputStream fileIn = fs.open(split.getPath());

    if (isCompressedInput()) {
      decompressor = CodecPool.getDecompressor(codec);
      if (codec instanceof SplittableCompressionCodec) {
        final SplitCompressionInputStream cIn =
          ((SplittableCompressionCodec)codec).createInputStream(
            fileIn, decompressor, start, end,
            SplittableCompressionCodec.READ_MODE.BYBLOCK);
        in = new LineReader(cIn, job);
        start = cIn.getAdjustedStart();
        end = cIn.getAdjustedEnd();
        filePosition = cIn;
      } else {
        in = new LineReader(codec.createInputStream(fileIn, decompressor),
            job);
        filePosition = fileIn;
      }
    } else {
      fileIn.seek(start);
      in = new LineReader(fileIn, job);
      filePosition = fileIn;
    }
    // If this is not the first split, we always throw away first record
    // because we always (except the last split) read one extra line in
    // next() method.
    if (start != 0) {
      start += in.readLine(new Text(), 0, maxBytesToConsume(start));
    }
    this.pos = start;
  }
 @Override
  public LongWritable getCurrentKey() {
    return key;
  }

  @Override
  public Text getCurrentValue() {
    return value;
  }

  

7-8行可看到类的字段key和value。使用initialize()方法初始化，读取分片中的数据到key/value由nextKeyValue()方法完成： 

public boolean nextKeyValue() throws IOException {
    if (key == null) {
      key = new LongWritable();
    }
    key.set(pos);//以记录的偏移量为key
    if (value == null) {
      value = new Text();
    }
    int newSize = 0;
    // We always read one extra line, which lies outside the upper
    // split limit i.e. (end - 1)
    while (getFilePosition() <= end) {
     //获取value值，调用了很多的函数
      newSize = in.readLine(value, maxLineLength,
          Math.max(maxBytesToConsume(pos), maxLineLength));
      if (newSize == 0) {
        break;
      }
      pos += newSize;//更新pos
      if (newSize < maxLineLength) {
        break;
      }

      // line too long. try again
      LOG.info("Skipped line of size " + newSize + " at pos " + 
               (pos - newSize));
    }
    if (newSize == 0) {
      key = null;
      value = null;
      return false;
    } else {
      return true;
    }
  }

7.初始化记录读取器input(例如LineRecordReader.initialize())

 input.initialize(split, mapperContext);

8.调用Mapper类的run()方法：

 mapper.run(mapperContext);

Mapper类结果如下所示：

Mapper有一个内部类Context。通过run()方法调用这几个方法，run()的实现如下所示：

  public void run(Context context) throws IOException, InterruptedException {
    setup(context);
    try {
      while (context.nextKeyValue()) {
        map(context.getCurrentKey(), context.getCurrentValue(), context);
      }
    } finally {
      cleanup(context);
    }
  }

 从MapTask的角度分析下Mapper中的run()方法内的context.nextkeyValue()，流程图如下所示：

上面已经给出了LineRecordRead的源码，以下做简要分析：

LineRecordRead有3个核心字段，分别是pos，key，value。pos就是读取的字段在文件中的偏移量，每次通过nextKeyValue()方法中读取分片中一个记录，并将pos设置为此记录的key，然后再将此记录存储在value中，最后更新pos的值，作为下个字段的偏移量。最后，nextKeyValue方法返回一个布尔值，true表示成功读取到一条记录，否则，表示此分片中已没有记录。

     然后执行map(context.getCurrentKey(), context.getCurrentValue(), context)，其中context.getCurrentKey()调用了LineRecordRead的方法getCurrentKey()直接返回当前key，context.getCurrentValue()也是同样。

2）基于以上的分析，MapTask的任务逻辑图如下所示：

    其中输入分片就是由上述的第2、3完成的。RecordReader就对应了第4步的记录读取器input对象。OutputCollector对应第5步中的输出收集器对象output。第8步就对应了上图中的Mapper，接下来就分析Mapper之后发生了什么，这就要进入到Mapper类的map()方法内部：

用户要重写Mapper的map方法，这里以WordCount为例进行分析。重写的map方法如下所示；

 public void map(Object key, Text value, Context context
                    ) throws IOException, InterruptedException {
      StringTokenizer itr = new StringTokenizer(value.toString());
      while (itr.hasMoreTokens()) {
        word.set(itr.nextToken());
        context.write(word, one);
      }
    }

     关注最后一行代码:context.write(word,one),一直Context是Mapper的内部类，继承自MapContext类，那么这个write方法究竟做了什么呢？以下是整个调用过程：

context.write(word, one);

Context类只是简单的继承了MapContext类，并没有write方法，查看MapContext有没有write方法，结果MapContext也没有write方法，继续查看MapContext的父类TaskInputOutputContext，其中write方法源码为：

public void write(KEYOUT key, VALUEOUT value
                    ) throws IOException, InterruptedException {
    output.write(key, value);
  }

output是此类的一个字段，定义如下：

private RecordWriter<KEYOUT,VALUEOUT> output;

而RecordWriter是一个抽象类，没有字段，只有未实现的抽象方法write和close，Context通过继承机制，获得了output字段，这个字段肯定是RecordWriter的某个具体实现类，到底是哪个类呢？转了一圈，我们看看context对象的来源：就是在RunNewMapper中(对应第8步)

 mapper.run(mapperContext);

mapper就是一个Mapper对象，调用其run方法：

 public void run(Context context) throws IOException, InterruptedException {
    setup(context);
    try {
      while (context.nextKeyValue()) {
        map(context.getCurrentKey(), context.getCurrentValue(), context);
      }
    } finally {
      cleanup(context);
    }
  }

将mapperContext对象赋值给了context对象，也就是context的来源是mapperContext对象，那我们就需要看看mapperContext是怎么来的：

org.apache.hadoop.mapreduce.Mapper<INKEY,INVALUE,OUTKEY,OUTVALUE>.Context mapperContext = null;

mapperContext = contextConstructor.newInstance(mapper, job, getTaskID(),input, output, committer,reporter, split);

首先mapperContext对象是Context类型，然后就是第二行代码的作用就相当于使用new Context(....)创建新对象。是时候上图了：

super就是调用父类的构造函数。再次贴上mapperContext创建的代码：

mapperContext = contextConstructor.newInstance(mapper, job, getTaskID(),input, output, committer,reporter, split);

     job就对应于conf，getTaskID()就对应于taskid，input对应reader，output对应writer，...。通过观察这三个类的构造函数，不能看出最终output对象传值给了TaskInputOutputContext类中的RecordReader output对象。再回到这个output的定义：

// get an output object
      if (job.getNumReduceTasks() == 0) {//reduce数量如果是0
         output =
           new NewDirectOutputCollector(taskContext, job, umbilical, reporter);
      } else {
        output = new NewOutputCollector(taskContext, job, umbilical, reporter);
      }

这样我们就可以确定TaskInputOutputContext中字段output的类型是NewOutputCollector类型(RecordWriter抽象类的一个实现)。

当然，context继承了TaskInputOutputContext这个output字段，更重要的还有其write方法。对Context类做个小结，到目前为止所知道的它的字段和方法如下：

再回到map方法：

 public void map(Object key, Text value, Context context
                    ) throws IOException, InterruptedException {
      StringTokenizer itr = new StringTokenizer(value.toString());
      while (itr.hasMoreTokens()) {
        word.set(itr.nextToken());
        context.write(word, one);
      }
    }

可以看到context.write()方法其实就是调用了NewOutputCollector类的write方法，这个类部分声明：

private final MapOutputCollector<K,V> collector;//map的输出内存缓冲区。
    private final org.apache.hadoop.mapreduce.Partitioner<K,V> partitioner;//作业所使用的分区(Partitioner)类型(默认的Partitioner就是HashPartitioner)
    private final int partitions;//reduce的数量 
    NewOutputCollector(org.apache.hadoop.mapreduce.JobContext jobContext,
                       JobConf job,
                       TaskUmbilicalProtocol umbilical,
                       TaskReporter reporter
                       ) throws IOException, ClassNotFoundException {
      collector = new MapOutputBuffer<K,V>(umbilical, job, reporter);//创建collector对象
      partitions = jobContext.getNumReduceTasks();//获得reduce的数量。
      if (partitions > 0) {
        partitioner = (org.apache.hadoop.mapreduce.Partitioner<K,V>)
          ReflectionUtils.newInstance(jobContext.getPartitionerClass(), job);//获得作业所使用的分区(Partitioner)类型(默认的Partitioner就是HashPartitioner)
      } else {
        partitioner = new org.apache.hadoop.mapreduce.Partitioner<K,V>() {
          @Override
          public int getPartition(K key, V value, int numPartitions) {
            return -1;
          }
        };
      }
    }   
    public void write(K key, V value) throws IOException, InterruptedException {
      collector.collect(key, value,
                        partitioner.getPartition(key, value, partitions));
    }

     NewOutputCollector有三个数据成员：collector、partitioner和partitions，这三个字段都在构造函数内完成初始化，collector是MapOutputBuffer类的对象，是本类的核心字段，partitioner是Partitioner类的对象，用于指示本次map所使用的分区类型，所谓的对key/value分区的过程其实也就是调用getPartition(key,value，reduceNums)方法返回一个整数作为此键值对的分区号，用户可以自定义分区类，其实也就是自定义getPartition(key，value，reduceNums)方法。不过分区只是根据key将map的输出分成不同的区(以0，1，2，3等数字作为分区号)，每个区用一个reduce处理。默认的分区方法是HashPartitioner，首先将key的哈希值和Integer类型最大值进行与运算，然后将结果对作业的reduce数量取模值，将这个模值作为此key/value对应的分区号，可见键值对的分区号只是与key有关，其原型如下：

public class HashPartitioner<K, V> extends Partitioner<K, V> {

  /** Use {@link Object#hashCode()} to partition. */
  public int getPartition(K key, V value,
                          int numReduceTasks) {
    return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;
  }

接下来查看到NewOutputCollector的write方法又调用了collector.collect(key,value)方法：

public void write(K key, V value) throws IOException, InterruptedException {
      collector.collect(key, value,
                        partitioner.getPartition(key, value, partitions));
    }

不深入collect方法内部看的话，看到此方法的第一印象就是colllector将key、value、partition(对应的分区号)一起存入内存缓冲区。接下来分析map阶段的spill过程。

 参考：

http://zheming.wang/hadoop-mapreduce-zhi-xing-liu-cheng-xiang-jie.html