Partitioner分区过程分析

            Partition的中文意思就是分区，分片的意思，这个阶段也是整个MapReduce过程的第三个阶段，就在Map任务的后面，他的作用就是使key分到通过一定的分区算法，分到固定的区域中，给不同的Reduce做处理，达到负载均衡的目的。他的执行过程其实就是发生在上篇文章提到的collect的过程阶段，当输入的key调用了用户的map函数时，中间结果就会被分区了。虽说这个过程看似不是很重要，但是也有值得学习的地方。Hadoop默认的算法是HashPartitioner，就是根据key的hashcode取摸运算，很简单的。

/** Partition keys by their {@link Object#hashCode()}.  */public class HashPartitioner<K2, V2> implements Partitioner<K2, V2> {  public void configure(JobConf job) {}  /** Use {@link Object#hashCode()} to partition. */  public int getPartition(K2 key, V2 value,                          int numReduceTasks) {    return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;  }}

但是这虽然能保证了key的随机分布，但不能保证全局有序的实现，因为有些需求需要不同的分区呈现出阶段性的分布，第一个区所有key小于第二区间，同样第二区间要小于第三区间，而你的随机算法只是局部有序，在区间内时有序的，但是存在第一区间的key会大于第二区间的，因此，这里出现了一个叫TotalOrderPartitioner的类，这也是本次学习的重点。先看看关系Partition的相关类结构。

可见，TotalOrderPartitioner还是挺复杂的。

        TotalOrderPartitioner的作用就是保证全局有序，对于key的划分，他划分了几个key的抽样点，作为key的划分点，比【2,4,6,8】，4个key抽样点，把区间划成了5份，如果某个key的值为5,他的区间为4-6，所以在第三区间，也就是说，这个类的作用就是围绕给定的划分点，寻找他的区间号，就代表任务的完成，至于你中间用的是二分搜索，还是其他的什么算法，都由你说了算。

      好的，首先第一步，从配置文件中得到划分点，他其实是存在于一个叫partition.file的文件中，配置中只保留了路径，

public void configure(JobConf job) {    try {      //获得partition file      String parts = getPartitionFile(job);      final Path partFile = new Path(parts);      final FileSystem fs = (DEFAULT_PATH.equals(parts))        ? FileSystem.getLocal(job)     // assume in DistributedCache        : partFile.getFileSystem(job);      Class<K> keyClass = (Class<K>)job.getMapOutputKeyClass();      //从partition中读出Spilts分区点      K[] splitPoints = readPartitions(fs, partFile, keyClass, job);      ....

spiltPoints在后面会起着关键的作用。

       然后开始关键的操作了，如果你的key值类型不是BinaryComparable二进制比较类型的话，比如能直接比较值的数字类型，就直接用二分算法，创建二分搜索节点，传入自己的比较器实现:

....      RawComparator<K> comparator =        (RawComparator<K>) job.getOutputKeyComparator();      for (int i = 0; i < splitPoints.length - 1; ++i) {        if (comparator.compare(splitPoints[i], splitPoints[i+1]) >= 0) {          throw new IOException("Split points are out of order");        }      }      boolean natOrder =        job.getBoolean("total.order.partitioner.natural.order", true);      //判断是否为BinaryComparable类型，如果是，建立Trie树      if (natOrder && BinaryComparable.class.isAssignableFrom(keyClass)) {        partitions = buildTrie((BinaryComparable[])splitPoints, 0,            splitPoints.length, new byte[0],            job.getInt("total.order.partitioner.max.trie.depth", 2));      } else {    //如果是不是则建立构建BinarySearchNode，用二分查找，用自己构建的比较器        partitions = new BinarySearchNode(splitPoints, comparator);      }

继续往里点，里面的获取分区号的算法，直接用的是二分搜索查找:

/**   * For types that are not {@link org.apache.hadoop.io.BinaryComparable} or   * where disabled by <tt>total.order.partitioner.natural.order</tt>,   * search the partition keyset with a binary search.   */  class BinarySearchNode implements Node<K> {//比较的内容节点    private final K[] splitPoints;    //比较器    private final RawComparator<K> comparator;    BinarySearchNode(K[] splitPoints, RawComparator<K> comparator) {      this.splitPoints = splitPoints;      this.comparator = comparator;    }       /**    * 通过自己传入的比较器方法进行二分查找    */    public int findPartition(K key) {      final int pos = Arrays.binarySearch(splitPoints, key, comparator) + 1;      return (pos < 0) ? -pos : pos;    }  }

       但是如果key的类型如果是BinaryComparable二进制比较类型的呢(你可以就理解为字符串类型)，则要依赖TrieTree的创建了。里面分为2种节点，InnerTrieNode和LeafTrieNode，都继承了TrieNode , LeafTrieNode为叶子节点，最底层保存的是分区点刚刚说过的splitPoints。InnerTrieNode就是在叶子节点上面的节点。这个TrieTree的原理就是从上往下扫描节点，最后到叶子节点，返回分区号
。有种二分搜索树的感觉。每个inner节点保留255个字节点，代表着255个字符

/**   * An inner trie node that contains 256 children based on the next   * character.   */  class InnerTrieNode extends TrieNode {    private TrieNode[] child = new TrieNode[256];    InnerTrieNode(int level) {      super(level);    }    ...

所以最后的图线类似下面这样，这里只显示出了A-Z 26个字母，其实应该有255个:

可以想象这个树完全展开还是非常大的，所以这是标准的空间换时间的算法实现，所以创建TrieTree的过程应该是递归的过程，直到到达最深的深度，此时应该创建的Leaf叶子节点，至此，树创建完毕，看代码实现:

private TrieNode buildTrie(BinaryComparable[] splits, int lower,      int upper, byte[] prefix, int maxDepth) {    final int depth = prefix.length;    if (depth >= maxDepth || lower == upper) {      //深度抵达最大的时候，应创建叶子节点了      return new LeafTrieNode(depth, splits, lower, upper);    }    InnerTrieNode result = new InnerTrieNode(depth);    byte[] trial = Arrays.copyOf(prefix, prefix.length + 1);    // append an extra byte on to the prefix    int currentBound = lower;    //每个父节点拥有着255个子节点    for(int ch = 0; ch < 255; ++ch) {      trial[depth] = (byte) (ch + 1);      lower = currentBound;      while (currentBound < upper) {        if (splits[currentBound].compareTo(trial, 0, trial.length) >= 0) {          break;        }        currentBound += 1;      }      trial[depth] = (byte) ch;      //result.child为首节点，递归创建子节点      result.child[0xFF & ch] = buildTrie(splits, lower, currentBound, trial,                                   maxDepth);    }    // pick up the rest    trial[depth] = 127;    result.child[255] = buildTrie(splits, currentBound, upper, trial,                                  maxDepth);    return result;  }

以上的步骤还只是初始化的过程，并非key查找获取partition分区的操作，构建过程的的流程图如下:

    接下来的步骤就是关键的输入key,进而查找分区的过程了，非二进制比较类型的情况很简单，直接通过自己的插入的比较器，二分搜索即可知道结果。我们看看TrieTree实现的字符串类型的查找分区如何实现，从以上构建的过程，我们知道，他是一层层的逐层查找过程，比如你要找，aad这个字符，你当然首先得第一个节点找a,然后再往这个节点的第一个子节点就是字符a在查找，最后找到叶子节点，在叶子节点的查找，Hadoop还是用了二分查找，这时因为本身的划分数据不是很多，不需要排序直接查找即可。

下面看看代码的实现，首先是innner节点，但字符的查找:

....    /**     * 非叶子的节点的查询     */    public int findPartition(BinaryComparable key) {      //获取当前的深度      int level = getLevel();            if (key.getLength() <= level) {        return child[0].findPartition(key);      }            //从key在此位置对应的字符child开始继续搜寻下一个，key.getBytes()[level]为第level位置的字符      return child[0xFF & key.getBytes()[level]].findPartition(key);    }

如果抵达了最后一层的LeafTrieNode，调用的是他自己的方法:

....    //在叶子节点，进行二分查找分区号    public int findPartition(BinaryComparable key) {      final int pos = Arrays.binarySearch(splitPoints, lower, upper, key) + 1;      return (pos < 0) ? -pos : pos;    }

最终返回的也是分区号。也就完成了这个分区算法的最终实现了。标准的空间换时间算法，但是要保证此算法的高效性，对于划分点的采集就显得非常重要了，得要保证有一定的代表性。才能保证分区间的有序。在Hadoop中提供了3个采集的类:

SplitSampler：对前n个记录进行采样
RandomSampler：遍历所有数据，随机采样
IntervalSampler：固定间隔采样

小小的partition算法也蕴藏着很多奇妙的算法，MapReduce的代码真的是一份不可多得的好资料啊。