hadoop编程小技巧（3）---自定义分区类Partitioner

Hadoop代码测试环境：Hadoop2.4

原理：在Hadoop的MapReduce过程中，Mapper读取处理完成数据后，会把数据发送到Partitioner，由Partitioner来决定每条记录应该送往哪个reducer节点，默认使用的是HashPartitioner，其核心代码如下：

/** Use {@link Object#hashCode()} to partition. */  public int getPartition(K2 key, V2 value,                          int numReduceTasks) {    return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;  }

getPartition的输出参数就是Mapper输出的key和value，然后针对这样的输入，采用key的hash值来判断当前记录应该被分为哪个reducer中（如果numReduceTasks为1，那么其实就只有一个分组，这里使用的是取模运算）。

应用场景：假如，我们事前已经对我们的数据以及Mapper处理后的输出数据都有一个很好的了解，那么其实我们可以控制记录应该送往哪个reducer进行处理，这样方便我们采取某种策略，来使reducer处理的数据量基本相同，达到一种均衡的效果。这样，对我们数据处理的效率也会有很大的提高。当然，这种策略需要我们对数据的了解会比较高。

实例：

首先自定义Partitioner（假设，我们需要把值value以A开头的数据分入一个reducer，那么可以使用下面的Partitioner），可以参考HashPartitioner，：

package fz.partitioner;import org.apache.hadoop.mapreduce.Partitioner;public class MyPartitioner<K1, V1> extends Partitioner<K1, V1> {@Overridepublic int getPartition(K1 key, V1 value, int numPartitions) {String tmpValue = value.toString();// 如果value值以A开头，那么就把数据发送到其中一个reducer，否则发送到另外的一个;if(tmpValue!=null&&tmpValue.indexOf("A")==0){return 0;}return 1;}}

接着定义一个什么都不做的MR任务，只是简单的读取数据，调用自定义的MyPartitioner，然后查看输出结果，是否是我们需要的。

定义driver：

package fz.partitioner;import org.apache.hadoop.conf.Configuration;import org.apache.hadoop.conf.Configured;import org.apache.hadoop.fs.Path;import org.apache.hadoop.io.LongWritable;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapreduce.Job;import org.apache.hadoop.mapreduce.Mapper;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;import org.apache.hadoop.util.Tool;import org.apache.hadoop.util.ToolRunner;public class PartitionerDriver extends Configured implements Tool {@Overridepublic int run(String[] arg0) throws Exception {Configuration conf = getConf();if(arg0.length!=2){System.err.println("Usage:\nfz.partitioner.PartitionerDriver <in> <out>");return -1;}//System.out.println(conf.get("fs.defaultFS"));Path in = new Path(arg0[0]);Path out= new Path(arg0[1]);out.getFileSystem(conf).delete(out, true);Job job = Job.getInstance(conf,"test partitioner");job.setJarByClass(getClass());job.setInputFormatClass(TextInputFormat.class);job.setOutputFormatClass(TextOutputFormat.class);job.setPartitionerClass(MyPartitioner.class);job.setMapperClass(Mapper.class);job.setMapOutputKeyClass(LongWritable.class);job.setMapOutputValueClass(Text.class);job.setOutputKeyClass(LongWritable.class);job.setOutputValueClass(Text.class);job.setReducerClass(Reducer.class);job.setNumReduceTasks(2);FileInputFormat.setInputPaths(job, in);FileOutputFormat.setOutputPath(job, out);return job.waitForCompletion(true)?0:-1;}public static void main(String[] args) throws Exception {ToolRunner.run(new Configuration(), new PartitionerDriver(),args);}}

这里设置了自定义的MyPartitioner，同时设置reducer的个数为2。

运行MR程序，查看结果：

通过上面的结果对比，可以发现，（在mapper中并没有任何的逻辑操作），输出的数据仅仅是设置了Partitioner，然后就可以达到不同数据输出到不同的reducer的效果。

总结：如果对数据的整体有很好的了解，可以使用自定义Partitioner来达到reducer的负载均衡，提高效率。

分享，成长，快乐

转载请注明blog地址：http://blog.csdn.net/fansy1990