Hadoop MapReduce 二次排序原理及其应用

来源：互联网发布：淘宝客服专员岗位职责编辑：程序博客网时间：2024/06/11 18:56

目录[-]

1、首先说一下工作原理：

2、二次排序

3、具体步骤：

1 自定义key。

2 由于key是自定义的，所以还需要自定义一下类：

4 代码：

5 测试需求：

6 测试数据与结果：

7 原理图（点击查看大图）：

8、推荐阅读：

9、REF:

关于二次排序主要涉及到这么几个东西：

在0.20.0 以前使用的是

setPartitionerClass

setOutputkeyComparatorClass

setOutputValueGroupingComparator

在0.20.0以后使用是

job.setPartitionerClass(Partitioner p);

job.setSortComparatorClass(RawComparator c);

job.setGroupingComparatorClass(RawComparator c);

下面的例子里面只用到了 setGroupingComparatorClass

http://blog.csdn.net/heyutao007/article/details/5890103

mr自带的例子中的源码SecondarySort，我重新写了一下，基本没变。
这个例子中定义的map和reduce如下，关键是它对输入输出类型的定义：（java泛型编程）
public static class Map extends Mapper<LongWritable, Text, IntPair, IntWritable>
public static class Reduce extends Reducer<IntPair, NullWritable, IntWritable, IntWritable>

1、首先说一下工作原理：

在map阶段，使用job.setInputFormatClass定义的InputFormat将输入的数据集分割成小数据块splites，同时InputFormat提供一个RecordReder的实现。本例子中使用的是TextInputFormat，他提供的RecordReder会将文本的字节偏移量作为key，这一行的文本作为value。这就是自定义Map的输入是<LongWritable, Text>的原因。然后调用自定义Map的map方法，将一个个<LongWritable, Text>对输入给Map的map方法。注意输出应该符合自定义Map中定义的输出<IntPair, IntWritable>。最终是生成一个List<IntPair, IntWritable>。在map阶段的最后，会先调用job.setPartitionerClass对这个List进行分区，每个分区映射到一个reducer。每个分区内又调用job.setSortComparatorClass设置的key比较函数类排序。可以看到，这本身就是一个二次排序。如果没有通过job.setSortComparatorClass设置key比较函数类，则使用key的实现的compareTo方法。在第一个例子中，使用了IntPair实现的compareTo方法，而在下一个例子中，专门定义了key比较函数类。

在reduce阶段，reducer接收到所有映射到这个reducer的map输出后，也是会调用job.setSortComparatorClass设置的key比较函数类对所有数据对排序。然后开始构造一个key对应的value迭代器。这时就要用到分组，使用jobjob.setGroupingComparatorClass设置的分组函数类。只要这个比较器比较的两个key相同，他们就属于同一个组，它们的value放在一个value迭代器，而这个迭代器的key使用属于同一个组的所有key的第一个key。最后就是进入Reducer的reduce方法，reduce方法的输入是所有的（key和它的value迭代器）。同样注意输入与输出的类型必须与自定义的Reducer中声明的一致。

2、二次排序

就是首先按照第一字段排序，然后再对第一字段相同的行按照第二字段排序，注意不能破坏第一次排序的结果。例如：

echo "3 b
1 c
2 a
1 d
3 a"|sort -k1 -k2
1 c
1 d
2 a
3 a
3 b

3、具体步骤：

1 自定义key。

在mr中，所有的key是需要被比较和排序的，并且是二次，先根据partitione，再根据大小。而本例中也是要比较两次。先按照第一字段排序，然后再对第一字段相同的按照第二字段排序。根据这一点，我们可以构造一个复合类IntPair，他有两个字段，先利用分区对第一字段排序，再利用分区内的比较对第二字段排序。
所有自定义的key应该实现接口WritableComparable，因为是可序列的并且可比较的。并重载方法
//反序列化，从流中的二进制转换成IntPair
public void readFields(DataInput in) throws IOException

//序列化，将IntPair转化成使用流传送的二进制
public void write(DataOutput out)

//key的比较
public int compareTo(IntPair o)

另外新定义的类应该重写的两个方法
//The hashCode() method is used by the HashPartitioner (the default partitioner in MapReduce)
public int hashCode()
public boolean equals(Object right)

2 由于key是自定义的，所以还需要自定义一下类：

2.1 分区函数类。这是key的第一次比较。

public static class FirstPartitioner extends Partitioner<IntPair,IntWritable>

在job中设置使用setPartitionerClasss

2.2 key比较函数类。这是key的第二次比较。这是一个比较器，需要继承WritableComparator。
public static class KeyComparator extends WritableComparator
必须有一个构造函数，并且重载 public int compare(WritableComparable w1, WritableComparable w2)
另一种方法是实现接口RawComparator。
在job中设置使用setSortComparatorClass。

2.3 分组函数类。在reduce阶段，构造一个key对应的value迭代器的时候，只要first相同就属于同一个组，放在一个value迭代器。这是一个比较器，需要继承WritableComparator。
public static class GroupingComparator extends WritableComparator
同key比较函数类，必须有一个构造函数，并且重载 public int compare(WritableComparable w1, WritableComparable w2)
同key比较函数类，分组函数类另一种方法是实现接口RawComparator。
在job中设置使用setGroupingComparatorClass。

另外注意的是，如果reduce的输入与输出不是同一种类型，则不要定义Combiner也使用reduce，因为Combiner的输出是reduce的输入。除非重新定义一个Combiner。

4 代码：

这个例子中没有使用key比较函数类，而是使用key的实现的compareTo方法：

001package SecondarySort;
002 
003import java.io.DataInput;
004import java.io.DataOutput;
005import java.io.IOException;
006import org.apache.hadoop.conf.Configuration;
007import org.apache.hadoop.fs.FileSystem;
008import org.apache.hadoop.fs.Path;
009import org.apache.hadoop.io.LongWritable;
010import org.apache.hadoop.io.Text;
011import org.apache.hadoop.io.WritableComparable;
012import org.apache.hadoop.io.WritableComparator;
013import org.apache.hadoop.mapreduce.Job;
014import org.apache.hadoop.mapreduce.Mapper;
015import org.apache.hadoop.mapreduce.Partitioner;
016import org.apache.hadoop.mapreduce.Reducer;
017import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
018import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
019import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
020import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
021 
022public class SecondarySort
023{
024    //自己定义的key类应该实现WritableComparable接口
025    public static class IntPair implements WritableComparable<IntPair>
026    {
027        String first;
028        String second;
029        /**
030         * Set the left and right values.
031         */
032        public void set(String left, String right)
033        {
034            first = left;
035            second = right;
036        }
037        public String getFirst()
038        {
039            return first;
040        }
041        public String getSecond()
042        {
043            return second;
044        }
045        //反序列化，从流中的二进制转换成IntPair
046        public void readFields(DataInput in) throws IOException
047        {
048            first = in.readUTF();
049            second = in.readUTF();
050        }
051        //序列化，将IntPair转化成使用流传送的二进制
052        public void write(DataOutput out) throws IOException
053        {
054            out.writeUTF(first);
055            out.writeUTF(second);
056        }
057        //重载 compareTo 方法，进行组合键 key 的比较，该过程是默认行为。
058        //分组后的二次排序会隐式调用该方法。
059        public int compareTo(IntPair o)
060        {
061            if (!first.equals(o.first) )
062            {
063                return first.compareTo(o.first);
064            }
065            else if (!second.equals(o.second))
066            {
067                return second.compareTo(o.second);
068            }
069            else
070            {
071                return 0;
072            }
073        }
074 
075        //新定义类应该重写的两个方法
076        //The hashCode() method is used by the HashPartitioner (the default partitioner in MapReduce)
077        public int hashCode()
078        {
079            return first.hashCode() * 157 + second.hashCode();
080        }
081        public boolean equals(Object right)
082        {
083            if (right == null)
084                return false;
085            if (this == right)
086                return true;
087            if (right instanceof IntPair)
088            {
089                IntPair r = (IntPair) right;
090                return r.first.equals(first) && r.second.equals(second) ;
091            }
092            else
093            {
094                return false;
095            }
096        }
097    }
098    /**
099      * 分区函数类。根据first确定Partition。
100      */
101    public static class FirstPartitioner extends Partitioner<IntPair, Text>
102    {
103        public int getPartition(IntPair key, Text value,int numPartitions)
104        {
105            return Math.abs(key.getFirst().hashCode() * 127) % numPartitions;
106        }
107    }
108 
109    /**
110     * 分组函数类。只要first相同就属于同一个组。
111     */
112    /*//第一种方法，实现接口RawComparator
113    public static class GroupingComparator implements RawComparator<IntPair> {
114        public int compare(IntPair o1, IntPair o2) {
115            int l = o1.getFirst();
116            int r = o2.getFirst();
117            return l == r ? 0 : (l < r ? -1 : 1);
118        }
119        //一个字节一个字节的比，直到找到一个不相同的字节，然后比这个字节的大小作为两个字节流的大小比较结果。
120        public int compare(byte[] b1, int s1, int l1, byte[] b2, int s2, int l2){
121             return WritableComparator.compareBytes(b1, s1, Integer.SIZE/8,
122                     b2, s2, Integer.SIZE/8);
123        }
124    }*/
125    //第二种方法，继承WritableComparator
126    public static class GroupingComparator extends WritableComparator
127    {
128        protected GroupingComparator()
129        {
130            super(IntPair.class, true);
131        }
132        //Compare two WritableComparables.
133        //  重载 compare：对组合键按第一个自然键排序分组
134        public int compare(WritableComparable w1, WritableComparable w2)
135        {
136            IntPair ip1 = (IntPair) w1;
137            IntPair ip2 = (IntPair) w2;
138            String l = ip1.getFirst();
139            String r = ip2.getFirst();
140            return l.compareTo(r);
141        }
142    }
143 
144 
145    // 自定义map
146    public static class Map extends Mapper<LongWritable, Text, IntPair, Text>
147    {
148        private final IntPair keyPair = new IntPair();
149        String[] lineArr = null;
150        public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException
151        {
152            String line = value.toString();
153            lineArr = line.split("\t", -1);
154            keyPair.set(lineArr[0], lineArr[1]);
155            context.write(keyPair, value);
156        }
157    }
158    // 自定义reduce
159    //
160    public static class Reduce extends Reducer<IntPair, Text, Text, Text>
161    {
162        private static final Text SEPARATOR = new Text("------------------------------------------------");
163         
164        public void reduce(IntPair key, Iterable<Text> values,Context context) throws IOException, InterruptedException
165        {
166            context.write(SEPARATOR, null);
167            for (Text val : values)
168            {
169                context.write(null, val);
170            }
171        }
172    }
173 
174    public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException
175    {
176        // 读取hadoop配置
177        Configuration conf = new Configuration();
178        // 实例化一道作业
179        Job job = new Job(conf, "secondarysort");
180        job.setJarByClass(SecondarySort.class);
181        // Mapper类型
182        job.setMapperClass(Map.class);
183        // 不再需要Combiner类型，因为Combiner的输出类型<Text, IntWritable>对Reduce的输入类型<IntPair, IntWritable>不适用
184        //job.setCombinerClass(Reduce.class);
185        // Reducer类型
186        job.setReducerClass(Reduce.class);
187        // 分区函数
188        job.setPartitionerClass(FirstPartitioner.class);
189        // 分组函数
190        job.setGroupingComparatorClass(GroupingComparator.class);
191 
192        // map 输出Key的类型
193        job.setMapOutputKeyClass(IntPair.class);
194        // map输出Value的类型
195        job.setMapOutputValueClass(Text.class);
196        // rduce输出Key的类型，是Text，因为使用的OutputFormatClass是TextOutputFormat
197        job.setOutputKeyClass(Text.class);
198        // rduce输出Value的类型
199        job.setOutputValueClass(Text.class);
200 
201        // 将输入的数据集分割成小数据块splites，同时提供一个RecordReder的实现。
202        job.setInputFormatClass(TextInputFormat.class);
203        // 提供一个RecordWriter的实现，负责数据输出。
204        job.setOutputFormatClass(TextOutputFormat.class);
205 
206        // 输入hdfs路径
207        FileInputFormat.setInputPaths(job, new Path(args[0]));
208        // 输出hdfs路径
209        FileSystem.get(conf).delete(new Path(args[1]), true);
210        FileOutputFormat.setOutputPath(job, new Path(args[1]));
211        // 提交job
212        System.exit(job.waitForCompletion(true) ? 0 : 1);
213    }
214}

5 测试需求：

假如我们现在的需求是先按 cookieId 排序，然后按 time 排序，以便按 session 切分日志

6 测试数据与结果：

01cookieId    time    url
022   12:12:34    2_hao123
033   09:10:34    3_baidu
041   15:02:41    1_google
053   22:11:34    3_sougou
061   19:10:34    1_baidu
072   15:02:41    2_google
081   12:12:34    1_hao123
093   23:10:34    3_soso
102   05:02:41    2_google
11 
12结果：
13------------------------------------------------
141       12:12:34        1_hao123
151       15:02:41        1_google
161       19:10:34        1_baidu
17------------------------------------------------
182       05:02:41        2_google
192       12:12:34        2_hao123
202       15:02:41        2_google
21------------------------------------------------
223       09:10:34        3_baidu
233       22:11:34        3_sougou
243       23:10:34        3_soso