HDFS 塊和 Input Splits 的區別與聯絡

轉載自 過往記憶（https://www.iteblog.com/）
本文連結:  【HDFS 塊和 Input Splits 的區別與聯絡】（https://www.iteblog.com/archives/2365.html）

相信大家都知道， HDFS  將檔案按照一定大小的塊進行切割，（我們可以透過  dfs.blocksize  引數來設定  HDFS  塊的大小，在  Hadoop  2.x 上，預設的塊大小為 128MB。）也就是說，如果一個檔案大小大於 128MB，那麼這個檔案會被切割成很多塊，這些塊分別儲存在不同的機器上。當我們啟動一個 MapReduce 作業去處理這些資料的時候，程式會計算出檔案有多少個 Splits，然後根據 Splits 的個數來啟動 Map 任務。那麼 HDFS 塊和 Splits 到底有什麼關係？

為了簡便起見，下面介紹的檔案為普通文字檔案。

HDFS塊

現在我有一個名為 iteblog.txt 的檔案，如下：

[iteblog@iteblog.com /home/iteblog]$ ll  iteblog.txt
-rw-r--r-- 1 iteblog iteblog 454669963 May 15 12:07 iteblog.txt

很明顯，這個檔案大於一個 HDFS 塊大小，所有如果我們將這個檔案存放到 HDFS 上會生成 4 個 HDFS 塊，如下（注意下面的輸出做了一些刪除操作）：

[iteblog@iteblog.com /home/iteblog]$ hadoop -put iteblog.txt /tmp
[iteblog@iteblog.com /home/iteblog]$ hdfs fsck /tmp/iteblog.txt -files -blocks
/tmp/iteblog.txt 454669963 bytes, 4 block(s):  OK
0. BP-1398136447-192.168.246.60-1386067202761:blk_8133964845_1106679622318 len=134217728 repl=3
1. BP-1398136447-192.168.246.60-1386067202761:blk_8133967228_1106679624701 len=134217728 repl=3
2. BP-1398136447-192.168.246.60-1386067202761:blk_8133969503_1106679626977 len=134217728 repl=3
3. BP-1398136447-192.168.246.60-1386067202761:blk_8133970122_1106679627596 len=52016779 repl=3

可以看出 iteblog.txt 檔案被切成 4 個塊了，前三個塊大小正好是 128MB（134217728），剩下的資料存放到第 4 個 HDFS 塊中。

如果檔案裡面有一行記錄的偏移量為 134217710，長度為 100，HDFS 如何處理？

答案是這行記錄會被切割成兩部分，一部分存放在 block 0 裡面；剩下的部分存放在 block 1 裡面。具體的，偏移量為134217710，長度為18的資料存放到 block 0 裡面；偏移量134217729，長度為82的資料存放到 block 1 裡面。 可以將這部分的邏輯以下面的圖概括

說明：

• 圖中的紅色塊代表一個檔案

• 中間的藍色矩形塊代表一個 HDFS 塊，矩形裡面的數字代表 HDFS 塊的編號，讀整個檔案的時候是從編號為0的 HDFS 塊開始讀，然後依次是1,2,3...

• 最下面的一行矩形代表檔案裡面儲存的內容，每個小矩形代表一行資料，裡面的數字代表資料的編號。紅色的豎線代表 HDFS 塊邊界(block boundary)。

從上圖我們可以清晰地看出，當我們往 HDFS 寫檔案時，HDFS 會將檔案切割成大小為 128MB 的塊，切割的時候不會判斷檔案裡面儲存的到底是什麼東西，所以邏輯上屬於一行的資料會被切割成兩部分，這兩部分的資料被物理的存放在兩個不同的 HDFS 塊中，正如上圖中的第5、10以及14行被切割成2部分了。

File Split

現在我們需要使用 MapReduce 來讀取上面的檔案，由於是普通的文字檔案，所以可以直接使用  TextInputFormat  來讀取。下面是使用  TextInputFormat 獲取到的  FileSplit  資訊：

scala> FileInputFormat.addInputPath(job,new Path("/tmp/iteblog.txt"));
scala> val format = new TextInputFormat;
scala> val splits = format.getSplits(job)
scala> splits.foreach(println)
hdfs://iteblogcluster/tmp/iteblog.txt:0+134217728
hdfs://iteblogcluster/tmp/iteblog.txt:134217728+134217728
hdfs://iteblogcluster/tmp/iteblog.txt:268435456+134217728
hdfs://iteblogcluster/tmp/iteblog.txt:402653184+52016779

可以看出，每個 FileSplit 的起始偏移量和上面 HDFS 每個檔案塊一致。但是具體讀資料的時候，MapReduce 是如何處理的呢？我們現在已經知道，在將檔案儲存在 HDFS 的時候，檔案被切割成一個一個 HDFS Block，其中會導致一些邏輯上屬於一行的資料會被切割成兩部分，那  TextInputFormat  遇到這樣的資料是如何處理的呢？

對於這種情況， TextInputFormat  會做出如下兩種操作：

• 在初始化  LineRecordReader  的時候，如果  FileSplit  的起始位置  start  不等於0， 說明這個 Block 塊不是第一個 Block，這時候一律丟掉這個 Block 的第一行資料。

• 在讀取每個 Block 的時候，都會額外地多讀取一行，如果出現資料被切割到另外一個 Block 裡面，這些資料能夠被這個任務讀取。

使用圖形表示可以概括如下：

說明：

• 圖中的紅色虛線代表 HDFS 塊邊界(block boundary)；

• 藍色的虛線代表Split 讀數的邊界。

從圖中可以清晰地看出：

• 當程式讀取 Block 0 的時候，雖然第五行資料被分割並被儲存在 Block 0 和 Block 1 中，但是，當前程式能夠完整的讀取到第五行的完整資料。

• 當程式讀取 Block 1 的時候，由於其  FileSplit  的起始位置  start  不等於0，這時候會丟掉第一行的資料，也就是說 Block 1 中的第五行部分資料會被丟棄，而直接從第六行資料讀取。這樣做的原因是，Block 1 中的第五行部分資料在程式讀取前一個 Block 的時候已經被讀取了，所以可以直接丟棄。

• 其他剩下的 Block 讀取邏輯和這個一致。

總結

從上面的分析可以得出以下的總結

• Split 和 HDFS Block 是一對多的關係；

• HDFS block 是資料的物理表示，而 Split 是 block 中資料的邏輯表示；

• 滿足資料本地性的情況下，程式也會從遠端節點上讀取少量的資料，因為存在行被切割到不同的 Block 上。