hadoop mapreduce任务中，map任务数的确定

原理

我们知道在创建一个mapreduce任务的时候,需要指定Inputformat的类型，我们就从这里入手了解一个mr任务中，是如何读取数据的，首先来看一个具体的inputformat的子类源码（hadoop2.6版本源码）

#segment_1
package org.apache.hadoop.mapreduce.lib.input;

import org.apache.hadoop.classification.InterfaceAudience;
import org.apache.hadoop.classification.InterfaceStability;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.compress.CompressionCodec;
import org.apache.hadoop.io.compress.CompressionCodecFactory;
import org.apache.hadoop.io.compress.SplittableCompressionCodec;
import org.apache.hadoop.mapreduce.InputFormat;
import org.apache.hadoop.mapreduce.InputSplit;
import org.apache.hadoop.mapreduce.JobContext;
import org.apache.hadoop.mapreduce.RecordReader;
import org.apache.hadoop.mapreduce.TaskAttemptContext;

import com.google.common.base.Charsets;

/** An {@link InputFormat} for plain text files.  Files are broken into lines.
 * Either linefeed or carriage-return are used to signal end of line.  Keys are
 * the position in the file, and values are the line of text.. */
@InterfaceAudience.Public
@InterfaceStability.Stable
public class TextInputFormat extends FileInputFormat<LongWritable, Text> {
   
   

  @Override
  public RecordReader<LongWritable, Text> 
    createRecordReader(InputSplit split,
                       TaskAttemptContext context) {
    String delimiter = context.getConfiguration().get(
        "textinputformat.record.delimiter");
    byte[] recordDelimiterBytes = null;
    if (null != delimiter)
      recordDelimiterBytes = delimiter.getBytes(Charsets.UTF_8);
     //注意这里，返回一个recordReader对象，但此时并不用InputSplit对象来初始化它，
    return new LineRecordReader(recordDelimiterBytes);
  }

}

那么了解LineRecordReader则是最关键的，首先看原理图:

上图中，split是对hdfs文件的分片，里面封装了关于分片的大小，以及超始信息，路径信息等；
block就是hdfs中的文件分块；而readReader则是上面介绍的recordReader，它根据split中的分片信息读取数据；

所以分析的流程就是：生成分片信息—->处理分片信息；

生成分片信息

segment_1源码处，TextInputFormat 继承了FileInputFormat，FileInputFormat里面实现了对split分片信息的获取，源码如下：

package org.apache.hadoop.mapreduce.lib.input;


public abstract class FileInputFormat<K, V> extends InputFormat<K, V> {
   
   

//配置分片最小量
public static final String SPLIT_MINSIZ