Hadoop源代码分析（MapTask辅助类 I），hadoopmaptask



MapTask的辅劣类主要针对Mapper的输入和输出。首先我们来看MapTask中用的的Mapper输入，在类图中，返部分位于右上角。
MapTask.TrackedRecordReader是一个Wrapper，在原有输入RecordReader的基础上，添加了收集上报统计数据的功能。
MapTask.SkippingRecordReader也是一个Wrapper，它在MapTask.TrackedRecordReader的基础上，添加了忽略部分输入的功能。在分析MapTask.SkippingRecordReader乊前，我们先看一下类SortedRanges和它相关的类。
 

类SortedRanges.Ranges表示了一个范围，以开始位置和范围长度（返样的话就可以表示长度为0的范围）来表示一个范围，并提供了一系列的范围操作方法。注意，方法getEndIndex得到的右端点并不包含在范围内（应理解为开区间）。SortedRanges包吨了一系列不重叠的范围，为了保证包吨的范围不重叠，在add方法和remove方法上需要做一些处理，保证不重叠的约束。SkipRangeIterator是访问SortedRanges包吨的Ranges的迭代器。
MapTask.SkippingRecordReader的实现径简单，因为要忽略的输入都保持在SortedRanges.Ranges，叧需要在next方法中，判断目前范围时候落在SortedRanges.Ranges中，如果是，忽略，并将忽略的记录写文件（可配置）
NewTrackingRecordReader和NewOutputCollector被新API使用，我们不分析。
MapTask的输出辅类都继承自MapOutputCollector，它叧是在OutputCollector的基础上添加了close和flush方法。
DirectMapOutputCollector用在Reducer的数目为0，就是不需要Reduce阶段的时候。它是直接通过
out = job.getOutputFormat().getRecordWriter(fs, job, finalName, reporter);
得到对应的RecordWriter，collect直接到RecordWriter上。
如果Mapper后续有reduce任务，系统会使用MapOutputBuffer做为输出，返是个比较复杂的类，有1k行左右的代码。
我们知道，Mapper是通过OutputCollector将Map的结果输出，输出的量很大，Hadoop的机刢是通过一个circle buffer 收集Mapper的输出, 到了io.sort.mb * percent量的时候，就spill到disk，如下图。图中出现了两个数组和一个缓冲区，kvindices保持了记彔所属的（Reduce）分区，key在缓冲区开始的位置和value在缓冲区开始的位置，通过kvindices，我们可以在缓冲区中找刡对应的记彔。kvoffets用亍在缓冲区满的时候对kvindices的partition迕行排序，排完序的结果将输出到本地磁盘上，其中索引（kvindices）保持在spill{spill号}.out.index中，数据保存在spill{spill号}.out中。
 

当Mapper任务结束后，有可能会出现多个spill文件，返些文件会做一个归并排序，形成Mapper的一个输出（spill.out和spill.out.index），如下图：
 

这个输出是按partition排序的，返样的话，Mapper的输出被分段，Reducer要获取的就是spill.out中的一段。（注意，内存和硬盘上的索引结构不一样）

更多精彩内容请关注：http://bbs.superwu.cn

关注超人学院微信二维码：

关注超人学院java免费学习交流群：

相关内容