MapReduce二次排序

标签：

  默认情况下，Map输出的结果会对Key进行默认的排序，但是有时候需要对Key排序的同时还需要对Value进行排序，这时候就要用到二次排序了。下面我们来说说二次排序

1、二次排序原理

  我们把二次排序分为以下几个阶段

  Map起始阶段

    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split，同时InputFormat提供一个RecordReader的实现。在这里我们使用的是TextInputFormat，它提供的RecordReader会将文本的行号作为Key，这一行的文本作为Value。这就是自定 Mapper的输入是<LongWritable,Text> 的原因。然后调用自定义Mapper的map方法，将一个个<LongWritable,Text>键值对输入给Mapper的map方法

  Map最后阶段

    在Map阶段的最后，会先调用job.setPartitionerClass()对这个Mapper的输出结果进行分区，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实现的compareTo()方法

  Reduce阶段

    在Reduce阶段，reduce()方法接受所有映射到这个Reduce的map输出后，也会调用job.setSortComparatorClass()方法设置的Key比较函数类，对所有数据进行排序。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 job.setGroupingComparatorClass()方法设置分组函数类。只要这个比较器比较的两个Key相同，它们就属于同一组，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

  接下来我们通过示例，可以很直观的了解二次排序的原理

  输入文件 sort.txt 内容为

    40 20

    40 10

    40 30

    40 5

    30 30

    30 20

    30 10

    30 40

    50 20

    50 50

    50 10

    50 60

  输出文件的内容（从小到大排序）如下

    30 10

    30 20

    30 30

    30 40

    --------

    40 5

    40 10

    40 20

    40 30

    --------

    50 10

    50 20

    50 50

    50 60

  从输出的结果可以看出Key实现了从小到大的排序，同时相同Key的Value也实现了从小到大的排序，这就是二次排序的结果

2、二次排序的具体流程

  在本例中要比较两次。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 ，它有两个字段，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。二次排序的流程分为以下几步。

  1、自定义 key

    所有自定义的key应该实现接口WritableComparable，因为它是可序列化的并且可比较的。WritableComparable 的内部方法如下所示

// 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)

//  默认的分区类 HashPartitioner，使用此方法
public int hashCode()

//  默认实现
public boolean equals(Object right)

  2、自定义分区

    自定义分区函数类FirstPartitioner，是key的第一次比较，完成对所有key的排序

public static class FirstPartitioner extends Partitioner< IntPair,IntWritable>

    在job中使用setPartitionerClasss()方法设置Partitioner

job.setPartitionerClasss(FirstPartitioner.Class);

  3、Key的比较类

    这是Key的第二次比较，对所有的Key进行排序，即同时完成IntPair中的first和second排序。该类是一个比较器，可以通过两种方式实现。

    1) 继承WritableComparator

public static class KeyComparator extends WritableComparator

      必须有一个构造函数，并且重载以下方法

public int compare(WritableComparable w1, WritableComparable w2)

    2) 实现接口 RawComparator。

      上面两种实现方式，在Job中，可以通过setSortComparatorClass()方法来设置Key的比较类

job.setSortComparatorClass(KeyComparator.Class);

      注意：如果没有使用自定义的SortComparator类，则默认使用Key中compareTo()方法对Key排序。

  4、定义分组类函数

    在Reduce阶段，构造一个与 Key 相对应的 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。定义这个比较器，可以有两种方式。

    1) 继承 WritableComparator

public static class GroupingComparator extends WritableComparator

      必须有一个构造函数，并且重载以下方法

public int compare(WritableComparable w1, WritableComparable w2)

    2) 实现接口 RawComparator。

      上面两种实现方式，在 Job 中，可以通过 setGroupingComparatorClass()方法来设置分组类

job.setGroupingComparatorClass(GroupingComparator.Class);

      另外注意的是，如果reduce的输入与输出不是同一种类型，则 Combiner和Reducer 不能共用 Reducer 类，因为 Combiner 的输出是 reduce 的输入。除非重新定义一个Combiner。

3、代码实现

  Hadoop的example包中自带了一个MapReduce的二次排序算法，下面对 example包中的二次排序进行改进

package com.buaa;

import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;

import org.apache.hadoop.io.WritableComparable;

/** 
* @ProjectName SecondarySort
* @PackageName com.buaa
* @ClassName IntPair
* @Description 将示例数据中的key/value封装成一个整体作为Key，同时实现 WritableComparable接口并重写其方法
* @Author 刘吉超
* @Date 2016-06-07 22:31:53
*/
public class IntPair implements WritableComparable<IntPair>{
	private int first;
	private int second;
	
	public IntPair(){
	}
	
	public IntPair(int left, int right){
		set(left, right);
	}
	
	public void set(int left, int right){
		first = left;
		second = right;
	}
	
	@Override
	public void readFields(DataInput in) throws IOException{
		first = in.readInt();
		second = in.readInt();
	}
	
	@Override
	public void write(DataOutput out) throws IOException{
		out.writeInt(first);
		out.writeInt(second);
	}
	
	@Override
	public int compareTo(IntPair o)
	{
		if (first != o.first){
			return first < o.first ? -1 : 1;
		}else if (second != o.second){
			return second < o.second ? -1 : 1;
		}else{
			return 0;
		}
	}
	
	@Override
	public int hashCode(){
		return first * 157 + second;
	}
	
	@Override
	public boolean equals(Object right){
		if (right == null)
			return false;
		if (this == right)
			return true;
		if (right instanceof IntPair){
			IntPair r = (IntPair) right;
			return r.first == first && r.second == second;
		}else{
			return false;
		}
	}
	
	public int getFirst(){
		return first;
	}
	
	public int getSecond(){
		return second;
	}
}

package com.buaa;

import java.io.IOException;
import java.util.StringTokenizer;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.io.WritableComparator;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Partitioner;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;

/** 
* @ProjectName SecondarySort
* @PackageName com.buaa
* @ClassName SecondarySort
* @Description TODO
* @Author 刘吉超
* @Date 2016-06-07 22:40:37
*/
@SuppressWarnings("deprecation")
public class SecondarySort {
	public static class Map extends Mapper<LongWritable, Text, IntPair, IntWritable> {
		
		public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
			String line = value.toString();
			StringTokenizer tokenizer = new StringTokenizer(line);
			int left = 0;
			int right = 0;
			if (tokenizer.hasMoreTokens()) {
				left = Integer.parseInt(tokenizer.nextToken());
				if (tokenizer.hasMoreTokens())
					right = Integer.parseInt(tokenizer.nextToken());
				context.write(new IntPair(left, right), new IntWritable(right));
			}
		}
	}
	
	/*
	 * 自定义分区函数类FirstPartitioner，根据 IntPair中的first实现分区
	 */
	public static class FirstPartitioner extends Partitioner<IntPair, IntWritable>{
		@Override
		public int getPartition(IntPair key, IntWritable value,int numPartitions){
			return Math.abs(key.getFirst() * 127) % numPartitions;
		}
	}
	
	/*
	 * 自定义GroupingComparator类，实现分区内的数据分组
	 */
	@SuppressWarnings("rawtypes")
	public static class GroupingComparator extends WritableComparator{
		protected GroupingComparator(){
			super(IntPair.class, true);
		}
		
		@Override
		public int compare(WritableComparable w1, WritableComparable w2){
			IntPair ip1 = (IntPair) w1;
			IntPair ip2 = (IntPair) w2;
			int l = ip1.getFirst();
			int r = ip2.getFirst();
			return l == r ? 0 : (l < r ? -1 : 1);
		}
	}
	
	public static class Reduce extends Reducer<IntPair, IntWritable, Text, IntWritable> {
		
		public void reduce(IntPair key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
			for (IntWritable val : values) {
				context.write(new Text(Integer.toString(key.getFirst())), val);
			}
		}
	}
	
	public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {
		// 读取配置文件
		Configuration conf = new Configuration();
		
		// 判断路径是否存在，如果存在，则删除    
        Path mypath = new Path(args[1]);  
        FileSystem hdfs = mypath.getFileSystem(conf);  
        if (hdfs.isDirectory(mypath)) {  
            hdfs.delete(mypath, true);  
        } 
        
		Job job = new Job(conf, "secondarysort");
		// 设置主类
		job.setJarByClass(SecondarySort.class);
		
		// 输入路径
		FileInputFormat.setInputPaths(job, new Path(args[0]));
		// 输出路径
		FileOutputFormat.setOutputPath(job, new Path(args[1]));
		
		// Mapper
		job.setMapperClass(Map.class);
		// Reducer
		job.setReducerClass(Reduce.class);
		
		// 分区函数
		job.setPartitionerClass(FirstPartitioner.class);
		
		// 本示例并没有自定义SortComparator，而是使用IntPair中compareTo方法进行排序 job.setSortComparatorClass();
		
		// 分组函数
		job.setGroupingComparatorClass(GroupingComparator.class);
		
		// map输出key类型
		job.setMapOutputKeyClass(IntPair.class);
		// map输出value类型
		job.setMapOutputValueClass(IntWritable.class);
		
		// reduce输出key类型
		job.setOutputKeyClass(Text.class);
		// reduce输出value类型
		job.setOutputValueClass(IntWritable.class);
		
		// 输入格式
		job.setInputFormatClass(TextInputFormat.class);
		// 输出格式
		job.setOutputFormatClass(TextOutputFormat.class);
		
		System.exit(job.waitForCompletion(true) ? 0 : 1);
	}
}

MapReduce二次排序

标签：

原文地址：http://blog.csdn.net/ljc520313/article/details/51607794