计算向数据移动
MR程序并不会在客户端执行任何的计算操作，它是为计算工作做好准备，例如计算出切片信息，直接影响到Map任务的并行度。
在Driver中提交任务时，会写到这样的语句：
boolean result = job.waitForCompletion(true);进入到waitForCompletion中：
public boolean waitForCompletion(boolean verbose) throws IOException, InterruptedException, ClassNotFoundException { if (state == JobState.DEFINE) { // 提交任务语句 submit(); } ..............继续跟进 submit():
public void submit() throws IOException, InterruptedException, ClassNotFoundException { ensureState(JobState.DEFINE); setUseNewAPI(); connect(); final JobSubmitter submitter = getJobSubmitter(cluster.getFileSystem(), cluster.getClient()); status = ugi.doAs(new PrivilegedExceptionAction<JobStatus>() { public JobStatus run() throws IOException, InterruptedException, ClassNotFoundException { // 执行提交任务 return submitter.submitJobInternal(Job.this, cluster); } }); .............. }上面代码可以看出，客户端经过连接集群，获得任务提交器submitter后执行了submitJobInternal(Job.this, cluster)方法，进入看（其实我只想看切片方法）
/** * Internal method for submitting jobs to the system. * The job submission process involves: * 1、Checking the input and output specifications of the job. * 2、Computing the InputSplits for the job. * 3、Setup the requisite accounting information for the * DistributedCache of the job, if necessary. * 4、Copying the job's jar and configuration to the map-reduce system * directory on the distributed file-system. * 5、Submitting the job to the JobTracker and optionally * monitoring it's status. */ .............. // Create the splits for the job LOG.debug("Creating splits at " + jtFs.makeQualified(submitJobDir)); int maps = writeSplits(job, submitJobDir); conf.setInt(MRJobConfig.NUM_MAPS, maps); LOG.info("number of splits:" + maps); ..............从这个方法头上的注释信息可以看到，在真正执行任务之前，客户端做了这么5件事，稍微翻译一下：
检查作业的输入和输出规范；
计算输入切片的数量；
如有必要，为作业的DistributedCache 设置必要的记帐信息；
将作业的 jar 和配置复制到分布式文件系统上的 map-reduce system 目录；
将作业提交给 JobTracker 并可选择监控它的状态
可以看到执行切片的方法时writeSplits(job, submitJobDir)
private int writeSplits(org.apache.hadoop.mapreduce.JobContext job,Path jobSubmitDir) throws IOException,InterruptedException, ClassNotFoundException { JobConf jConf = (JobConf)job.getConfiguration(); int maps; if (jConf.getUseNewMapper()) { maps = writeNewSplits(job, jobSubmitDir); } else { maps = writeOldSplits(jConf, jobSubmitDir); } return maps; }也有新旧API的区分，看新的writeNewSplits(job, jobSubmitDir)
private <T extends InputSplit> int writeNewSplits(JobContext job, Path jobSubmitDir) throws IOException, InterruptedException, ClassNotFoundException { .................. // 只看切片方法 List<InputSplit> splits = input.getSplits(job); T[] array = (T[]) splits.toArray(new InputSplit[splits.size()]); .............. // 返回值是数组的长度，也就是切片的个数，也就是mapTask的并行度 return array.length; }进入切片方法，方法太长了，删除部分，留下核心业务逻辑。这个得好好说说
public List<InputSplit> getSplits(JobContext job) throws IOException { // 如果没有指定的话，minSize = 1 long minSize = Math.max(getFormatMinSplitSize(), getMinSplitSize(job)); // 如果没有指定的话，maxSize = Long.Max long maxSize = getMaxSplitSize(job); // generate splits List<InputSplit> splits = new ArrayList<InputSplit>(); // FileStatus这个概念来自于HDFS，存储客户端提交文件的元数据 List<FileStatus> files = listStatus(job); for (FileStatus file: files) { // 获取到文件的路径 Path path = file.getPath(); // 获取到文件的长度 long length = file.getLen(); if (length != 0) { // 数据块位置数组，用于存储该文件对应的数据块的位置 BlockLocation[] blkLocations; if (file instanceof LocatedFileStatus) { blkLocations = ((LocatedFileStatus) file).getBlockLocations(); } else { FileSystem fs = path.getFileSystem(job.getConfiguration()); blkLocations = fs.getFileBlockLocations(file, 0, length); } if (isSplitable(job, path)) { // 没有指定，默认是可分片的 long blockSize = file.getBlockSize(); // 返回默认值：切片大小 = 块大小 long splitSize = computeSplitSize(blockSize, minSize, maxSize); // 获取整个文件的长度，用于计算切片的偏移量 long bytesRemaining = length; // SPLIT_SLOP 的大小是1.1 // 这个判断表达式的含义是如果剩余的块体积大大于1.1倍的切片大小，继续切片 while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) { // 在这计算了一步块索引 int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining); //-----------getBlockIndex() begin-------------------------------------------- protected int getBlockIndex(BlockLocation[] blkLocations, long offset) { for (int i = 0 ; i < blkLocations.length; i++) { // is the offset inside this block? if ((blkLocations[i].getOffset() <= offset) && (offset < blkLocations[i].getOffset() + blkLocations[i].getLength())){ // 代码逻辑非常简单，就是返回当前offset是在哪个block里面 return i; } } .................... //-----------getBlockIndex() end---------------------------------------------- // 计算完成之后加入切片集合 // 切片信息包括：路径，偏移量，切片大小，服务器节点【支撑计算向数据移动】 splits.add(makeSplit(path, length-bytesRemaining, splitSize, blkLocations[blkIndex].getHosts(), blkLocations[blkIndex].getCachedHosts())); bytesRemaining -= splitSize; } // 计算剩余数据块的切片信息 if (bytesRemaining != 0) { int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining); splits.add(makeSplit(path, length-bytesRemaining, bytesRemaining, blkLocations[blkIndex].getHosts(), blkLocations[blkIndex].getCachedHosts())); } } else { // not splitable ：不能切片，那就是一片 splits.add(makeSplit(path, 0, length, blkLocations[0].getHosts(), blkLocations[0].getCachedHosts())); } } ...... // 返回切片文件的集合。根据集合中数据的个数，就可以计算出有多少个maptask return splits; }