MapReduce二次排序

 默認狀況下，Map輸出的結果會對Key進行默認的排序，可是有時候須要對Key排序的同時還須要對Value進行排序，這時候就要用到二次排序了。下面咱們來講說二次排序

一、二次排序原理

  咱們把二次排序分爲如下幾個階段

  Map起始階段

    在Map階段，使用job.setInputFormatClass()定義的InputFormat，將輸入的數據集分割成小數據塊split，同時InputFormat提供一個RecordReader的實現。在這裏咱們使用的是TextInputFormat，它提供的RecordReader會將文本的行號做爲Key，這一行的文本做爲Value。這就是自定 Mapper的輸入是<LongWritable,Text> 的緣由。而後調用自定義Mapper的map方法，將一個個<LongWritable,Text>鍵值對輸入給Mapper的map方法

  Map最後階段

    在Map階段的最後，會先調用job.setPartitionerClass()對這個Mapper的輸出結果進行分區，每一個分區映射到一個Reducer。每一個分區內又調用job.setSortComparatorClass()設置的Key比較函數類排序。能夠看到，這自己就是一個二次排序。若是沒有經過job.setSortComparatorClass()設置 Key比較函數類，則使用Key實現的compareTo()方法

  Reduce階段

    在Reduce階段，reduce()方法接受全部映射到這個Reduce的map輸出後，也會調用job.setSortComparatorClass()方法設置的Key比較函數類，對全部數據進行排序。而後開始構造一個Key對應的Value迭代器。這時就要用到分組，使用 job.setGroupingComparatorClass()方法設置分組函數類。只要這個比較器比較的兩個Key相同，它們就屬於同一組，它們的 Value放在一個Value迭代器，而這個迭代器的Key使用屬於同一個組的全部Key的第一個Key。最後就是進入Reducer的 reduce()方法，reduce()方法的輸入是全部的Key和它的Value迭代器，一樣注意輸入與輸出的類型必須與自定義的Reducer中聲明的一致

 

  接下來咱們經過示例，能夠很直觀的瞭解二次排序的原理

  輸入文件 sort.txt 內容爲

    40 20

    40 10

    40 30

    40 5

    30 30

    30 20

    30 10

    30 40

    50 20

    50 50

    50 10

    50 60

  輸出文件的內容（從小到大排序）以下

    30 10

    30 20

    30 30

    30 40

    --------

    40 5

    40 10

    40 20

    40 30

    --------

    50 10

    50 20

    50 50

    50 60

  從輸出的結果能夠看出Key實現了從小到大的排序，同時相同Key的Value也實現了從小到大的排序，這就是二次排序的結果

二、二次排序的具體流程

  在本例中要比較兩次。先按照第一字段排序，而後再對第一字段相同的按照第二字段排序。根據這一點，咱們能夠構造一個複合類IntPair ，它有兩個字段，先利用分區對第一字段排序，再利用分區內的比較對第二字段排序。二次排序的流程分爲如下幾步。

  一、自定義 key

    全部自定義的key應該實現接口WritableComparable，由於它是可序列化的而且可比較的。WritableComparable 的內部方法以下所示

 

// 反序列化，從流中的二進制轉換成IntPair
public void readFields(DataInput in) throws IOException

// 序列化，將IntPair轉化成使用流傳送的二進制
public void write(DataOutput out)

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

//  默認的分區類 HashPartitioner，使用此方法
public int hashCode()

//  默認實現
public boolean equals(Object right)

 

  二、自定義分區

    自定義分區函數類FirstPartitioner，是key的第一次比較，完成對全部key的排序。

public static class FirstPartitioner extends Partitioner< IntPair,IntWritable>

    在job中使用setPartitionerClasss()方法設置Partitioner

job.setPartitionerClasss(FirstPartitioner.Class);

  三、Key的比較類

    這是Key的第二次比較，對全部的Key進行排序，即同時完成IntPair中的first和second排序。該類是一個比較器，能夠經過兩種方式實現。

    1) 繼承WritableComparator。

public static class KeyComparator extends WritableComparator

      必須有一個構造函數，而且重載如下方法。

public int compare(WritableComparable w1, WritableComparable w2)

    2) 實現接口 RawComparator。

      上面兩種實現方式，在Job中，能夠經過setSortComparatorClass()方法來設置Key的比較類。

job.setSortComparatorClass(KeyComparator.Class);

      注意：若是沒有使用自定義的SortComparator類，則默認使用Key中compareTo()方法對Key排序。

  四、定義分組類函數

    在Reduce階段，構造一個與 Key 相對應的 Value 迭代器的時候，只要first相同就屬於同一個組，放在一個Value迭代器。定義這個比較器，能夠有兩種方式。

    1) 繼承 WritableComparator。

public static class GroupingComparator extends WritableComparator

      必須有一個構造函數，而且重載如下方法。

public int compare(WritableComparable w1, WritableComparable w2)

    2) 實現接口 RawComparator。

      上面兩種實現方式，在 Job 中，能夠經過 setGroupingComparatorClass()方法來設置分組類。

job.setGroupingComparatorClass(GroupingComparator.Class);

      另外注意的是，若是reduce的輸入與輸出不是同一種類型，則 Combiner和Reducer 不能共用 Reducer 類，由於 Combiner 的輸出是 reduce 的輸入。除非從新定義一個Combiner。

三、代碼實現

  Hadoop的example包中自帶了一個MapReduce的二次排序算法，下面對 example包中的二次排序進行改進

 

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 將示例數據中的key/value封裝成一個總體做爲Key，同時實現 WritableComparable接口並重寫其方法
* @Author 劉吉超
* @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 劉吉超
* @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));
            }
        }
    }
    
    /*
     * 自定義分區函數類FirstPartitioner，根據 IntPair中的first實現分區
     */
    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;
        }
    }
    
    /*
     * 自定義GroupingComparator類，實現分區內的數據分組
     */
    @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 {
        // 讀取配置文件
        Configuration conf = new Configuration();
        
        // 判斷路徑是否存在，若是存在，則刪除    
        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");
        // 設置主類
        job.setJarByClass(SecondarySort.class);
        
        // 輸入路徑
        FileInputFormat.setInputPaths(job, new Path(args[0]));
        // 輸出路徑
        FileOutputFormat.setOutputPath(job, new Path(args[1]));
        
        // Mapper
        job.setMapperClass(Map.class);
        // Reducer
        job.setReducerClass(Reduce.class);
        
        // 分區函數
        job.setPartitionerClass(FirstPartitioner.class);
        
        // 本示例並無自定義SortComparator，而是使用IntPair中compareTo方法進行排序 job.setSortComparatorClass();
        
        // 分組函數
        job.setGroupingComparatorClass(GroupingComparator.class);
        
        // map輸出key類型
        job.setMapOutputKeyClass(IntPair.class);
        // map輸出value類型
        job.setMapOutputValueClass(IntWritable.class);
        
        // reduce輸出key類型
        job.setOutputKeyClass(Text.class);
        // reduce輸出value類型
        job.setOutputValueClass(IntWritable.class);
        
        // 輸入格式
        job.setInputFormatClass(TextInputFormat.class);
        // 輸出格式
        job.setOutputFormatClass(TextOutputFormat.class);
        
        System.exit(job.waitForCompletion(true) ? 0 : 1);
    }
}