MapReduce里面的二次排序、组排序和Partitioner

在MapReduce程序中，我们常常需要对属于同一个key的value进行排序，即“二次排序”，将key和value进行组合，合并成一个新的key，给map去排序。在Hadoop 1.0.4中，利用setSortComparatorClass()对二次排序进行设定，但是sort comparator需要自己实现一个comparator，下面是一个自己实现的comparator的例子。

public static class SortComparator extends WritableComparator {protected SortComparator() {super(Text.class, true);// TODO Auto-generated constructor stub}@Overridepublic int compare(WritableComparable a, WritableComparable b) {// TODO Auto-generated method stubString[] strs_a = ((Text) a).toString().split(":");String[] strs_b = ((Text) b).toString().split(":");if ((strs_a.length != 3) || (strs_b.length != 3)) {log.error("Error: dimension error 1 in SortComparator!");System.exit(1);}if (Integer.parseInt(strs_a[0]) > Integer.parseInt(strs_b[0])) {return 1;} else if (Integer.parseInt(strs_a[0]) < Integer.parseInt(strs_b[0])) {return -1;} else {if (Double.parseDouble(strs_a[1]) > Double.parseDouble(strs_b[1])) {return 1;} else {return -1;}}}}

然后，在job中设置

job.setSortComparatorClass(SortComparator)

由于我们使用了“二次排序”，因此现在的key是被合并过的key（上面说过，是将key与value合并成新的key），所以我们需要定义组比较器（grouping comparator），它的功能是在reducer中为我们需要的相同的key（即合并之前的key）送入到同一个reduce中（官方文档中的描述是“Define the comparator that controls which keys are grouped together for a single call to Reducer.reduce(Object, Iterable, org.apache.hadoop.mapreduce.Reducer.Context)”）。下面是一个grouping comparator的例子。

public static class GroupComparator extends WritableComparator {protected GroupComparator() {super(Text.class, true);// TODO Auto-generated constructor stub}@Overridepublic int compare(WritableComparable a, WritableComparable b) {// TODO Auto-generated method stubString[] strs_a = ((Text) a).toString().split(":");String[] strs_b = ((Text) b).toString().split(":");if ((strs_a.length != 3) || (strs_b.length != 3)) {log.error("Error: dimension error 1 in GroupComparator!");System.exit(1);}String new_key_a = strs_a[0] + strs_a[2];String new_key_b = strs_b[0] + strs_b[2];if (new_key_a.compareTo(new_key_b) == 0) {return 0;} else if (new_key_a.compareTo(new_key_b) > 0) {return 1;} else {return -1;}}}

然后，在job中设置

job.setGroupingComparatorClass(GroupComparator.class);

此外，由于我们实际的key与我们所需要的key是不一样的，因此我们需要自己定义一个partitioner，以“欺骗”reducer，将我们所需的相同的key传到同一个reducer，下面是一个partitioner的例子。

public static class Patitioner extendsHashPartitioner<Text, IntWritable> {@Overridepublic int getPartition(Text key, IntWritable value, int numReduceTasks) {// TODO Auto-generated method stubString[] new_key = key.toString().split(":");if (new_key.length != 3) {log.error("Error: dimension error in partitioner!");System.exit(1);}return super.getPartition(new Text(new_key[0]), value,numReduceTasks);}}

然后，在job中设置

job.setPartitionerClass(Patitioner.class);

Partitioner和GroupingComparator有点饶人，功能好像重复了。

1. Partitioner是将相同的key（用户虚拟的key）传到同一个reducer（到了reducer中，reducer只认map中实际输出的key，实际key中哪一部分作为key用一个单独的reduce来处理就是GroupingComparator的功能）
2. GroupingComparator是让reducer用一个单独的reduce来处理同一个key
   
3. Partitioner中的key和GroupingComparator中的key是可以不一样的（例如我的例子中）