Hadoop 之 Secondary Sort介绍
---------------------------
我们知道，在reduce之前，MP框架会对收到的<K,V>对按K进行排序，而对于一个特定的K来说，它的List<V>是没有被排过序的，就是说这些V是无序的，因为它们来自不同的Map端，而且很多应用也不依赖于K所对应的list<V>的顺序，但是有一些应用就要就要依赖于相同K的V的顺序，而且还要把他们聚合在一起，下面会提出这样一个问题，是参考Hadoop The Defiinitive Guide的第八章。
1. 问题的提出
对于如下数据，我们要计算出每一年的最高温度值：
(1900,34) (1900,32) .... (1950, 0) (1950, 22) (1950, −11) (1949, 111) (1949, 78)
计算结果可能如下：
1901 317 1902 244 1903 289 1904 256 ... 1949 111
我们一般的方法是把key设置成年份，把value设置成温度，在reduce的时候去遍历所有相同key的value值，找出最大的那个值，在Reduce返回的时候，只collect这个最大的值，这是一种办法，但是这种办法在效率上相对比较差，也不够灵活，下面我们来看看怎么使用Secondary Sort来解决这个问题
2. Secondary Sort
Secondary Sort 实际上就是一种对Value进行二次排序，然后按key的特定部分进行聚合的方法，这里用到了一个组合Key的概念，就是把K与要排序的Value组合在一起，生成一个新的Key值，上面的例子中，新的组合key为<1900,32>，也就是<年份，温度>的组合，(1900, 35°C)，(1900, 34°C)，这样组合以后，生成一个新的key，但是这样组合以后，它们会被切分到不同的Reduce上，所以我们这里要写一个根据新组合的key的第一个参数（年份）来进行相应的partitioner，在JobConf中可以使用setPartitionerClass来进行设置，这样可以解决相同年份的key会被聚合在同一个Reduce上，但是还没有解析在同一个Reduce上，把部分key相同的记录聚合(group)在一起，所以这里我们要设置一个group的比较器，这样就可以把相同年份的记录聚合在一起，但对于相同key(这里是指key中第一个参数相同)的排序问题，我们要使用一个KeyComparator比较器来做，就是在group中对key进行二次排序，在上面例子中就是按key中第二个参数温度来降序排序,这里要注意的是这里的输入是key，而不是value，这就是我们为什么把value组合在key一起的原因，而写这个比较方法的时候，还要注意一定要符合Group方法的原因，如果group是按key的第一个参数来得，那这里key的比较就要在第一个参数相同的情况下，才能会第二个参数(value)进行比较，我想这里解释了为什么这种排序叫Secondary
Sort的原因吧，在上面的例子中，key的比较是先比较第一个参数(年份)，如果第一个参数相同，再比较第二个参数(温度),按第二个参数降序排列。
所以一般要使用Secondary Sort，在JobConf要配置这三个参数
- setPartitionerClass // 这个是用来设置key的切分，上面例子中是按key中的第一个参数来切分
- setOutputValueGroupingComparator // 这里设置group，就是按key的哪一个参数进行聚合，上面的例子中也是按第一个参数年份进行聚合
- setOutputKeyComparatorClass // 这个是设置key的比较器，设置聚合的key的一个二次排序方法
3. 代码分析
Example 8-9. Application to find the maximum temperature by sorting temperatures in the key
public class MaxTemperatureUsingSecondarySort extends Configured implements Tool {
// Map任务
static class MaxTemperatureMapper extends MapReduceBase implements Mapper<LongWritable, Text, IntPair, NullWritable> {
private NcdcRecordParser parser = new NcdcRecordParser();
public void map(LongWritable key, Text value,
OutputCollector<IntPair, NullWritable> output, Reporter reporter)
throws IOException {
parser.parse(value); // 解析输入的文本
if (parser.isValidTemperature()) {
// 这里把年份与温度组合成一个key,value为空
output.collect(new IntPair(parser.getYearInt(),+ parser.getAirTemperature()), NullWritable.get());
}
}
}
// Reduce任务
static class MaxTemperatureReducer extends MapReduceBase
implements Reducer<IntPair, NullWritable, IntPair, NullWritable> {
public void reduce(IntPair key, Iterator<NullWritable> values,
OutputCollector<IntPair, NullWritable> output, Reporter reporter)
throws IOException {
// 输出聚合的key值，这里的key是先按年份进行聚合，所我们会看到相同所有年份相同的key会聚合在一起，而这些聚合后的key按温度进行降序按列
// 所以聚合中第一个key为温度最高的，所以这里输出的key为这一年中温度最高的值
output.collect(key, NullWritable.get());
}
}
// 切分器，这里是按年份* 127 % reduceNum来进行切分的
public static class FirstPartitioner
implements Partitioner<IntPair, NullWritable> {
@Override
public void configure(JobConf job) {}
@Override
public int getPartition(IntPair key, NullWritable value, int numPartitions) {
return Math.abs(key.getFirst() * 127) % numPartitions;
}
}
// 聚合key的一个比较器
public static class KeyComparator extends WritableComparator {
protected KeyComparator() {
super(IntPair.class, true);
}
@Override
public int compare(WritableComparable w1, WritableComparable w2) {
IntPair ip1 = (IntPair) w1;
IntPair ip2 = (IntPair) w2;
// 这里要注意的是，一定要在聚合参数相同的情况下，再比较另一个参数
// 这里是先比较年份，再比较温度，按温度降序排序
int cmp = IntPair.compare(ip1.getFirst(), ip2.getFirst());
if (cmp != 0) {
return cmp;
}
return -IntPair.compare(ip1.getSecond(), ip2.getSecond()); //reverse
}
}
// 设置聚合比较器
public static class GroupComparator extends WritableComparator {
protected GroupComparator() {
super(IntPair.class, true);
}
@Override
public int compare(WritableComparable w1, WritableComparable w2) {
IntPair ip1 = (IntPair) w1;
IntPair ip2 = (IntPair) w2;
// 这里是按key的第一个参数来聚合，就是年份
return IntPair.compare(ip1.getFirst(), ip2.getFirst());
}
}
@Override
public int run(String[] args) throws IOException {
JobConf conf = JobBuilder.parseInputAndOutput(this, getConf(), args);
if (conf == null) {
return -1;
}
conf.setMapperClass(MaxTemperatureMapper.class);
conf.setPartitionerClass(FirstPartitioner.class); // 设置切分器
conf.setOutputKeyComparatorClass(KeyComparator.class); // 设置key的比较器
conf.setOutputValueGroupingComparator(GroupComparator.class); // 设置聚合比较器
conf.setReducerClass(MaxTemperatureReducer.class);
conf.setOutputKeyClass(IntPair.class); // 设置key的一个组合类型，如里这个类型实现了WritableComparable<T>的话，那就不要设置setOutputKeyComparatorClass了.
conf.setOutputValueClass(NullWritable.class); // 输出的value为NULL，因为这里的实际value已经组合到了key中
JobClient.runJob(conf);
return 0;
}
public static void main(String[] args) throws Exception {
int exitCode = ToolRunner.run(new MaxTemperatureUsingSecondarySort(), args);
System.exit(exitCode);
}
}
输出结果如下：
% hadoop jar job.jar MaxTemperatureUsingSecondarySort input/ncdc/all \ > output-secondarysort % hadoop fs -cat output-secondarysort/part-* | sort | head 1901 317 1902 244 1903 289 1904 256 1905 283 1906 294 1907 283 1908 289
要注意的是有时候用户会存储这些value，所以你要在Map的时候输出这些value，而不是上面的NULL，而输出的这些value是经过排序的。
4 参考
- http://www.riccomini.name/Topics/DistributedComputing/Hadoop/SortByValue/
- Hadoop The definitive Guide Chapter 8
- https://issues.apache.org/jira/secure/attachment/12356648/485.patch
- https://issues.apache.org/jira/browse/HADOOP-4545