• 企业400电话
  • 微网小程序
  • AI电话机器人
  • 电商代运营
  • 全 部 栏 目

    企业400电话 网络优化推广 AI电话机器人 呼叫中心 网站建设 商标✡知产 微网小程序 电商运营 彩铃•短信 增值拓展业务
    hadoop二次排序的原理和实现方法

    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。

    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 WritableComparableIntPair>{
      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 MapperLongWritable, 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 PartitionerIntPair, 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 ReducerIntPair, IntWritable, Text, IntWritable> {
        public void reduce(IntPair key, IterableIntWritable> 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);
      }
    }

    总结

    以上所述是小编给大家介绍的hadoop二次排序的原理和实现方法,希望对大家有所帮助,如果大家有任何疑问欢迎给我留言,小编会及时回复大家的!

    您可能感兴趣的文章:
    • Hadoop对文本文件的快速全局排序实现方法及分析
    上一篇:hadoop迁移数据应用实例详解
    下一篇:详解Hadoop 运行环境搭建过程
  • 相关文章
  • 

    © 2016-2020 巨人网络通讯 版权所有

    《增值电信业务经营许可证》 苏ICP备15040257号-8

    hadoop二次排序的原理和实现方法 hadoop,二次,排序,的,原理,