本文主要介绍下二次排序的实现方式
我们知道MapReduce是按照key来进行排序的，那么如果有个需求就是先按照第一个字段排序，在第一个字段相等的情况下，按照第二个字段排序，这就是传说中的二次排序。
下面就具体说一下二次排序的实现方式
主要就是4点
1.自定义一个Key
为什么要自定义一个Key，我们知道MapReduce中排序就是按照Key来排序的，我们既然想要实现按照两个字段进行排序，默认的方式肯定是不行的，所以自定义一个新的Key，Key里面有两个属性，也就是我们要排序的两个字段。
首先，实现WritableComparable接口，因为Key是可序列化并且可以比较的。其次，重载相关的方法，例如序列化、反序列化相关的方法write()、readFields()。重载在分区的时候要用到的hashCode()方法，注意后面会说到一个Partitioner类，也是用来分区的，用hashCode()方法和Partitioner类进行分区都是可以的，使用其中的一个即可。重载排序用的compareTo()方法。
2.分区函数类
上面定义了一个新的Key，那么我现在做分发，到底按照什么样的规则进行分发是在分区函数中定义的，这个类要继承Partitioner类，重载其中的分区方法getPartition()，在main()函数里面给job添加上即可，例如：job.setPartitionerClass(XXX.class);
注：这个类的作用和新Key中的hashCode()方法作用一样，所以如果在新key的hashCode()方法中写了分区的实现，这个分区类是可以省略的。
3.比较函数类
这个类决定着Key的排序规则，是一个比较器，需要继承WritableComparator类，并且重载其中的compare()方法。在main()函数里给job添加上即可，例如：job.setSortComparatorClass(XXX.class);
注：这个类的作用跟自定义Key的compareTo()方法一样，如果在自定义的Key中重载了compareTo()方法，这个类是可以省略的。
4.分组函数类
通过分区类，我们重新定义了key的分区规则，但是多个key不同的也可以进入一个reduce中，这不是我们想要的，我们需要分区函数来定义什么样的key可以进入相应的reduce来执行，因为也涉及到比较，所以这个类也需要继承WritableComparator，也可以实现RawComparator，并且重载其中的compare()方法，在main()函数中给job加上即可，如：job.setGroupingComparatorClass(XXX.class)。
下面我们来重新简化一下上一篇文章中提到了例子：
#需求：第一列升序，第一列相同时，第二列升序，其第一列相同的放在一个分区中输出
sort1 1 sort2 3 sort2 88 sort2 54 sort1 2 sort6 22 sort6 888 sort6 58
#预期输出结果
#part-r-00000文件
sort1 1 sort1 2
#part-r-00001文件
sort2 3 sort2 54 sort2 88
#part-r-00002
sort6 22 sort6 58 sort6 888
1.自定义组合键
public class CombinationKey implements WritableComparable<CombinationKey>{
private Text firstKey;
private IntWritable secondKey;
//无参构造函数
public CombinationKey() {
this.firstKey = new Text();
this.secondKey = new IntWritable();
}
//有参构造函数
public CombinationKey(Text firstKey, IntWritable secondKey) {
this.firstKey = firstKey;
this.secondKey = secondKey;
}
public Text getFirstKey() {
return firstKey;
}
public void setFirstKey(Text firstKey) {
this.firstKey = firstKey;
}
public IntWritable getSecondKey() {
return secondKey;
}
public void setSecondKey(IntWritable secondKey) {
this.secondKey = secondKey;
}
public void write(DataOutput out) throws IOException {
this.firstKey.write(out);
this.secondKey.write(out);
}
public void readFields(DataInput in) throws IOException {
this.firstKey.readFields(in);
this.secondKey.readFields(in);
}
/**
* 自定义比较策略
* 注意：该比较策略用于MapReduce的第一次默认排序
* 也就是发生在Map端的sort阶段
* 发生地点为环形缓冲区(可以通过io.sort.mb进行大小调整)
*/
public int compareTo(CombinationKey combinationKey) {
int minus = this.getFirstKey().compareTo(combinationKey.getFirstKey());
if (minus != 0){
return minus;
}
return this.getSecondKey().get() - combinationKey.getSecondKey().get();
}
/* public int compareTo(CombinationKey combinationKey) {
System.out.println("------------------------CombineKey flag-------------------");
return this.firstKey.compareTo(combinationKey.getFirstKey());
}*/
@Override
public int hashCode() {
final int prime = 31;
int result = 1;
result = prime * result + ((firstKey == null) ? 0 : firstKey.hashCode());
return result;
}
@Override
public boolean equals(Object obj) {
if (this == obj)
return true;
if (obj == null)
return false;
if (getClass() != obj.getClass())
return false;
CombinationKey other = (CombinationKey) obj;
if (firstKey == null) {
if (other.firstKey != null)
return false;
} else if (!firstKey.equals(other.firstKey))
return false;
return true;
}
}
2.自定义分组
/**
* 自定义分组有中方式，一种是继承WritableComparator
* 另外一种是实现RawComparator接口
* @author 廖钟民
* time : 2015年1月19日下午3:30:11
* @version
*/
public class DefinedGroupSort extends WritableComparator{
protected DefinedGroupSort() {
super(CombinationKey.class,true);
}
@Override
public int compare(WritableComparable a, WritableComparable b) {
System.out.println("---------------------进入自定义分组---------------------");
CombinationKey combinationKey1 = (CombinationKey) a;
CombinationKey combinationKey2 = (CombinationKey) b;
System.out.println("---------------------分组结果：" + combinationKey1.getFirstKey().compareTo(combinationKey2.getFirstKey()));
System.out.println("---------------------结束自定义分组---------------------");
//自定义按原始数据中第一个key分组
return combinationKey1.getFirstKey().compareTo(combinationKey2.getFirstKey());
}
}
3.自定义分区
/**
* 自定义分区
*
* @author 廖钟*民 time : 2015年1月19日下午12:13:54
* @version
*/
public class DefinedPartition extends Partitioner<CombinationKey, IntWritable> {
/**
* 数据输入来源：map输出 我们这里根据组合键的第一个值作为分区 如果不自定义分区的话，MapReduce会根据默认的Hash分区方法 将整个组合键相等的分到一个分区中，这样的话显然不是我们要的效果
*
* @param key
* map输出键值
* @param value
* map输出value值
* @param numPartitions
* 分区总数，即reduce task个数
*/
public int getPartition(CombinationKey key, IntWritable value, int numPartitions) {
if (key.getFirstKey().toString().endsWith("1")){
return 0;
} else if (key.getFirstKey().toString().endsWith("2")){
return 1;
} else {
return 2;
}
}
}
4.主类
public class SecondSortMapReduce extends Configured implements Tool{
// 定义输入路径
private String INPUT_PATH = "";
// 定义输出路径
private String OUT_PATH = "";
public static void main(String[] args) {
try {
ToolRunner.run(new SecondSortMapReduce(), args);
} catch (Exception e) {
e.printStackTrace();
}
}
public static class SecondSortMapper extends Mapper<Text, Text, CombinationKey, IntWritable>{
/**
* 这里要特殊说明一下，为什么要将这些变量写在map函数外边
* 对于分布式的程序，我们一定要注意到内存的使用情况，对于MapReduce框架
* 每一行的原始记录的处理都要调用一次map()函数，假设，这个map()函数要处理1一亿
* 条输入记录，如果将这些变量都定义在map函数里面则会导致这4个变量的对象句柄
* 非常的多(极端情况下将产生4*1亿个句柄，当然java也是有自动的GC机制的，一定不会达到这么多)
* 导致栈内存被浪费掉，我们将其写在map函数外面，顶多就只有4个对象句柄
*/
private CombinationKey combinationKey = new CombinationKey();
Text sortName = new Text();
IntWritable score = new IntWritable();
String[] splits = null;
protected void map(Text key, Text value, Mapper<Text, Text, CombinationKey, IntWritable>.Context context) throws IOException, InterruptedException {
System.out.println("---------------------进入map()函数---------------------");
//过滤非法记录(这里用计数器比较好)
if (key == null || value == null || key.toString().equals("")){
return;
}
//构造相关属性
sortName.set(key.toString());
score.set(Integer.parseInt(value.toString()));
//设置联合key
combinationKey.setFirstKey(sortName);
combinationKey.setSecondKey(score);
//通过context把map处理后的结果输出
context.write(combinationKey, score);
System.out.println("---------------------结束map()函数---------------------");
}
}
public static class SecondSortReducer extends Reducer<CombinationKey, IntWritable, Text, Text>{
StringBuffer sb = new StringBuffer();
Text score = new Text();
/**
* 这里要注意一下reduce的调用时机和次数：
* reduce每次处理一个分组的时候会调用一次reduce函数。
* 所谓的分组就是将相同的key对应的value放在一个集合中
* 例如：<sort1,1> <sort1,2>
* 分组后的结果就是
* <sort1,{1,2}>这个分组会调用一次reduce函数
*/
protected void reduce(CombinationKey key, Iterable<IntWritable> values, Reducer<CombinationKey, IntWritable, Text, Text>.Context context)
throws IOException, InterruptedException {
//将联合Key的第一个元素作为新的key，遍历values将结果写出去
for (IntWritable val : values){
context.write(key.getFirstKey(), new Text(String.valueOf(val.get())));
}
}
}
public int run(String[] args) throws Exception {
// 给路径赋值
INPUT_PATH = args[0];
OUT_PATH = args[1];
try {
// 创建配置信息
Configuration conf = new Configuration();
conf.set(KeyValueLineRecordReader.KEY_VALUE_SEPERATOR, "\t");
// 创建文件系统
FileSystem fileSystem = FileSystem.get(new URI(OUT_PATH), conf);
// 如果输出目录存在，我们就删除
if (fileSystem.exists(new Path(OUT_PATH))) {
fileSystem.delete(new Path(OUT_PATH), true);
}
// 创建任务
Job job = new Job(conf, SecondSortMapReduce.class.getName());
//设置成jar运行型
job.setJarByClass(SecondSortMapReduce.class);
// 1.1 设置输入目录和设置输入数据格式化的类
FileInputFormat.setInputPaths(job, INPUT_PATH);
job.setInputFormatClass(KeyValueTextInputFormat.class);
// 部1.2 设置自定义Mapper类和设置map函数输出数据的key和value的类型
job.setMapperClass(SecondSortMapper.class);
job.setMapOutputKeyClass(CombinationKey.class);
job.setMapOutputValueClass(IntWritable.class);
// 1.3 设置分区和reduce数量(reduce的数量，和分区的数量对应)
job.setPartitionerClass(DefinedPartition.class);
job.setNumReduceTasks(3);
//设置自定义分组策略
job.setGroupingComparatorClass(DefinedGroupSort.class);
//设置自定义比较策略(因为我的CombineKey重写了compareTo方法，所以这个可以省略)
//job.setSortComparatorClass(DefinedComparator.class);
// 1.4 排序
//1.5 归约
// 2.1 Shuffle把数据从Map端拷贝到Reduce端。
// 2.2 指定Reducer类和输出key和value的类型
job.setReducerClass(SecondSortReducer.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(Text.class);
//2.3 指定输出的路径和设置输出的格式化类
FileOutputFormat.setOutputPath(job, new Path(OUT_PATH));
job.setOutputFormatClass(TextOutputFormat.class);
// 提交作业 退出
System.exit(job.waitForCompletion(true) ? 0 : 1);
} catch (Exception e) {
e.printStackTrace();
}
return 0;
}
}
注：使用jar包的方式运行程序一定不要忘记很重要的一句：job.setJarByClass(XXX);
程序运行的结果：
