MapReduce中的排序和分组

回顾Map阶段四大步骤

　　首先，我们回顾一下在MapReduce中，排序和分组在哪里被执行：

map stage

　　从上图中可以清楚地看出，在Step1.4也就是第四步中，需要对不同分区中的数据进行排序和分组，默认情况下，是按照key进行排序和分组。

1.2 实验场景数据文件

　　在一些特定的数据文件中，不一定都是类似于WordCount单次统计这种规范的数据，比如下面这类数据，它虽然只有两列，但是却有一定的实践意义。

3 3
3 2
3 1
2 2
2 1
1 1

　　（1）如果按照第一列升序排列，当第一列相同时，第二列升序排列，结果如下所示

1 1
2 1
2 2
3 1
3 2
3 3

　　（2）如果当第一列相同时，求出第二列的最小值，结果如下所示

3 1
2 1
1 1

　　接着，我们会针对这个数据文件，进行排序和分组的实践尝试，以求达到结果所示的效果。

二、初步探索排序

2.1 默认的排序

　　在Hadoop默认的排序算法中，只会针对key值进行排序，我们最初的代码如下（这里只展示了map和reduce函数）：

复制代码
public class MySortJob extends Configured implements Tool {

public static class MyMapper extends        Mapper<LongWritable, Text, LongWritable, LongWritable> {    protected void map(            LongWritable key,            Text value,            Mapper<LongWritable, Text, LongWritable, LongWritable>.Context context)            throws java.io.IOException, InterruptedException {        String[] spilted = value.toString().split("\t");        long firstNum = Long.parseLong(spilted[0]);        long secondNum = Long.parseLong(spilted[1]);        context.write(new LongWritable(firstNum), new LongWritable(                secondNum));    };}public static class MyReducer extends        Reducer<Text, LongWritable, Text, LongWritable> {    protected void reduce(            LongWritable key,            java.lang.Iterable<LongWritable> values,            Reducer<LongWritable, LongWritable, LongWritable, LongWritable>.Context context)            throws java.io.IOException, InterruptedException {        for (LongWritable value : values) {            context.write(key, value);        }    };}

}

复制代码

　　这里我们将第一列作为了key，第二列作为了value。

　　可以查看一下运行后的结果，如下所示：

1 1
2 2
2 1
3 3
3 2
3 1

　　从运行结果来看，并没有达到我们最初的目的，于是，我们需要抛弃默认的排序规则，因此我们要自定义排序。

2.2 自定义排序

　　（1）封装一个自定义类型作为key的新类型：将第一列与第二列都作为key

复制代码
private static class MyNewKey implements WritableComparable {
long firstNum;
long secondNum;

    public MyNewKey() {    }    public MyNewKey(long first, long second) {        firstNum = first;        secondNum = second;    }    @Override    public void write(DataOutput out) throws IOException {        out.writeLong(firstNum);        out.writeLong(secondNum);    }    @Override    public void readFields(DataInput in) throws IOException {        firstNum = in.readLong();        secondNum = in.readLong();    }    /*     * 当key进行排序时会调用以下这个compreTo方法     */    @Override    public int compareTo(MyNewKey anotherKey) {        long min = firstNum - anotherKey.firstNum;        if (min != 0) {            // 说明第一列不相等，则返回两数之间小的数            return (int) min;        } else {            return (int) (secondNum - anotherKey.secondNum);        }    }}

复制代码

PS：这里为什么需要封装一个新类型呢？因为原来只有key参与排序，现在将第一个数和第二个数都参与排序，作为一个新的key。

　　（2）改写最初的MapReduce方法函数代码：（只展示了map和reduce函数，还需要修改map和reduce输出的类型设置）

复制代码
public static class MyMapper extends
Mapper

当第一列相同时，求出第二列的最小值

3 3
3 2
3 1
2 2
2 1

1 1

预期结果应该是

3 1
2 1
1 1

复制代码

3.2 自定义分组

　　为了针对新的key类型作分组，我们也需要自定义一下分组规则：

　　（1）编写一个新的分组比较类型用于我们的分组：

复制代码
private static class MyGroupingComparator implements
RawComparator {

    /*     * 基本分组规则：按第一列firstNum进行分组     */    @Override    public int compare(MyNewKey key1, MyNewKey key2) {        return (int) (key1.firstNum - key2.firstNum);    }    /*     * @param b1 表示第一个参与比较的字节数组     *      * @param s1 表示第一个参与比较的字节数组的起始位置     *      * @param l1 表示第一个参与比较的字节数组的偏移量     *      * @param b2 表示第二个参与比较的字节数组     *      * @param s2 表示第二个参与比较的字节数组的起始位置     *      * @param l2 表示第二个参与比较的字节数组的偏移量     */    @Override    public int compare(byte[] b1, int s1, int l1, byte[] b2, int s2, int l2) {        return WritableComparator.compareBytes(b1, s1, 8, b2, s2, 8);    }}

复制代码

　　从代码中我们可以知道，我们自定义了一个分组比较器MyGroupingComparator，该类实现了RawComparator接口，而RawComparator接口又实现了Comparator接口，下面看看这两个接口的定义：

　　首先是RawComparator接口的定义：

public interface RawComparator extends Comparator {
public int compare(byte[] b1, int s1, int l1, byte[] b2, int s2, int l2);
}

　　其次是Comparator接口的定义：

public interface Comparator {
int compare(T o1, T o2);
boolean equals(Object obj);
}

　　在MyGroupingComparator中分别对这两个接口中的定义进行了实现，RawComparator中的compare()方法是基于字节的比较，Comparator中的compare()方法是基于对象的比较。

　　在基于字节的比较方法中，有六个参数，一下子眼花了：

Params：

• @param arg0 表示第一个参与比较的字节数组
• @param arg1 表示第一个参与比较的字节数组的起始位置
• @param arg2 表示第一个参与比较的字节数组的偏移量
• 
  
  • @param arg3 表示第二个参与比较的字节数组
• @param arg4 表示第二个参与比较的字节数组的起始位置

• @param arg5 表示第二个参与比较的字节数组的偏移量

  　　由于在MyNewKey中有两个long类型，每个long类型又占8个字节。这里因为比较的是第一列数字，所以读取的偏移量为8字节。

  　　（2）添加对分组规则的设置：

  　　// 设置自定义分组规则
  job.setGroupingComparatorClass(MyGroupingComparator.class);

  　　（3）现在看看运行结果：

参考资料

（1）吴超，《深入浅出Hadoop》：http://www.superwu.cn/

（2）Suddenly，《Hadoop日记Day18-MapReduce排序和分组》：http://www.cnblogs.com/sunddenly/p/4009751.html