所以要清除一些东西：
Mahout的XMLInputFormat将处理XML文件，并在两个已配置的开始/结束标记之间提取XML。因此，如果您的XML如下所示：
<main> <person> <name>Bob</name> <dob>1970/01/01</dob> </person></main>
并且您已将开始/结束标记配置为
<person>和
</person>，那么您的映射器将通过以下
<LongWritable,Text>对传递到其map方法：
LongWritable: 10Text: "<person>n <name>Bob</name>n <dob>1970/01/01</dob>n </person>"
然后，您就可以在映射器中处理此数据。
关于splits，
XmlInputFormatextends
TextInputFormat，因此，如果您输入的文件是可拆分的（即未压缩或使用可拆分的编解码器（例如snappy）压缩），则该文件将由一个或多个映射器处理，如下所示：
- 如果输入文件的大小（比如说48 MB）小于HDFS中的单个块（比如说64MB），并且您没有配置最小/最大拆分大小属性，那么您将获得一个映射器来处理文件
- 和上面一样，但是您将最大拆分大小配置为10MB（
mapred.max.split.size=10485760
），那么您将获得5个映射任务来处理文件 - 如果文件大于块大小，那么您将获得每个块的映射任务，或者如果配置了最大拆分大小，则将文件划分为该拆分大小的每个部分的映射
当文件拆分为这些块或拆分大小的块时，XmlInputFormat将寻求对块的字节地址/偏移量/拆分边界进行查找，然后向前扫描，直到找到配置的XML起始标记或到达块的字节地址为止/分割边界。如果找到开始标签，它将消耗数据直到找到结束标签（或文件末尾）。如果找到结束标记，则记录将被传递到您的映射器，否则您的映射器将不会收到任何输入。要强调的是，在尝试找到结束标签时，地图可能会扫描到块/拆分的末尾，但只有找到开始标签后才会执行此操作，否则扫描将在块/拆分的末尾停止。
因此，要（最终）回答您的问题，如果您尚未配置映射器（并且正在使用默认值或标识映射器，因为它是众所周知的），那么是的，XML块的大小（MB，GB）无关紧要，TB！）它将被发送到减速器。
我希望这是有道理的。
编辑
跟进您的评论：
- 是的，每个映射器都会尝试处理文件的拆分（字节范围）
- 是的，无论您也设置了最大拆分大小是多少，映射器都会收到记录，这些记录代表开始/结束标记之间（包括两端）的数据。无论person元素的大小如何，都不会拆分它（显然，如果start和end元素之间存在GB的数据，则很可能会用尽内存来尝试将其缓冲到Text对象中）
- 从上面继续，您的数据将永远不会在开始元素和结束元素之间分割，人员元素将以其完整性发送到映射器，因此您应该始终可以使用SAX解析器之类的东西来进一步处理它而不必担心您只会看到person元素的一部分。
