mapreduce(三):自定义二次排序流程实例详解

<pre name="code" class="java">一、概述MapReduce框架对处理结果的输出会根据key值进行默认的排序，这个默认排序可以满足一部分需求，但是也是十分有限的。在我们实际的需求当中，往往有要对reduce输出结果进行二次排序的需求。对于二次排序的实现，网络上已经有很多人分享过了，但是对二次排序的实现的原理以及整个MapReduce框架的处理流程的分析还是有非常大的出入，而且部分分析是没有经过验证的。本文将通过一个实际的MapReduce二次排序例子，讲述二次排序的实现和其MapReduce的整个处理流程，并且通过结果和map、reduce端的日志来验证所描述的处理流程的正确性。二、需求描述1、输入数据：sort1    1sort2    3sort2    77sort2    54sort1    2sort6    22sort6    221sort6    202、目标输出sort1 1,2sort2 3,54,77sort6 20,22,221三、解决思路  1、首先，在思考解决问题思路时，我们先应该深刻的理解MapReduce处理数据的整个流程，这是最基础的，不然的话是不可能找到解决问题的思路的。我描述一下MapReduce处理数据的大概简单流程：首先，MapReduce框架通过getSplit方法实现对原始文件的切片之后，每一个切片对应着一个map task，inputSplit输入到Map函数进行处理，中间结果经过环形缓冲区的排序,然后分区、自定义二次排序（如果有的话）和合并，再通过shuffle操作将数据传输到reduce task端，reduce端也存在着缓冲区，数据也会在缓冲区和磁盘中进行合并排序等操作，然后对数据按照Key值进行分组，然后没处理完一个分组之后就会去调用一次reduce函数，最终输出结果。大概流程我画了一下，如下图：Hadoop之MapReduce自定义二次排序流程实例详解2、具体解决思路（1）Map端处理：  根据上面的需求，我们有一个非常明确的目标就是要对第一列相同的记录合并，并且对合并后的数字进行排序。我们都知道MapReduce框架不管是默认排序或者是自定义排序都只是对Key值进行排序，现在的情况是这些数据不是key值，怎么办？其实我们可以将原始数据的Key值和其对应的数据组合成一个新的Key值，然后新的Key值对应的还是之前的数字。那么我们就可以将原始数据的map输出变成类似下面的数据结构：{[sort1,1],1}{[sort2,3],3}{[sort2,77],77}{[sort2,54],54}{[sort1,2],2}{[sort6,22],22}{[sort6,221],221}{[sort6,20],20}那么我们只需要对[]里面的新key值进行排序就ok了。然后我们需要自定义一个分区处理器，因为我的目标不是想将新key相同的传到同一个reduce中，而是想将新key中的第一个字段相同的才放到同一个reduce中进行分组合并，所以我们需要根据新key值中的第一个字段来自定义一个分区处理器。通过分区操作后，得到的数据流如下：Partition1:{[sort1,1],1}、{[sort1,2],2}Partition2:{[sort2,3],3}、{[sort2,77],77}、{[sort2,54],54}Partition3:{[sort6,22],22}、{[sort6,221],221}、{[sort6,20],20}分区操作完成之后，我调用自己的自定义排序器对新的Key值进行排序。{[sort1,1],1}{[sort1,2],2}{[sort2,3],3}{[sort2,54],54}{[sort2,77],77}{[sort6,20],20}{[sort6,22],22}{[sort6,221],221}（2）Reduce端处理：  经过Shuffle处理之后，数据传输到Reducer端了。在Reducer端对按照组合键的第一个字段来进行分组，并且没处理完一次分组之后就会调用一次reduce函数来对这个分组进行处理输出。最终的各个分组的数据结构变成类似下面的数据结构:{sort1,[1,2]}{sort2,[3,54,77]}{sort6,[20,22,221]}四、具体实现1、自定义组合键package com.mr; import java.io.DataInput; import java.io.DataOutput; import java.io.IOException; import org.apache.Hadoop.io.IntWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.io.WritableComparable; import org.slf4j.Logger; import org.slf4j.LoggerFactory; /**  * 自定义组合键  * @author zenghzhaozheng  */public class CombinationKey implements WritableComparable<CombinationKey>{     private static final Logger logger = LoggerFactory.getLogger(CombinationKey.class);     private Text firstKey;     private IntWritable secondKey;     public CombinationKey() {         this.firstKey = new Text();         this.secondKey = new IntWritable();     }     public Text getFirstKey() {         return this.firstKey;     }     public void setFirstKey(Text firstKey) {         this.firstKey = firstKey;     }     public IntWritable getSecondKey() {         return this.secondKey;     }     public void setSecondKey(IntWritable secondKey) {         this.secondKey = secondKey;     }     @Override    public void readFields(DataInput dateInput) throws IOException {         // TODO Auto-generated method stub         this.firstKey.readFields(dateInput);         this.secondKey.readFields(dateInput);     }     @Override    public void write(DataOutput outPut) throws IOException {         this.firstKey.write(outPut);         this.secondKey.write(outPut);     }     /**     * 自定义比较策略     * 注意：该比较策略用于mapreduce的第一次默认排序，也就是发生在map阶段的sort小阶段，     * 发生地点为环形缓冲区(可以通过io.sort.mb进行大小调整)     */    @Override    public int compareTo(CombinationKey combinationKey) {         logger.info("-------CombinationKey flag-------");         return this.firstKey.compareTo(combinationKey.getFirstKey());     } }说明：在自定义组合键的时候，我们需要特别注意，一定要实现WritableComparable接口，并且实现compareTo方法的比较策略。这个用于mapreduce的第一次默认排序，也就是发生在map阶段的sort小阶段，发生地点为环形缓冲区(可以通过io.sort.mb进行大小调整)，但是其对我们最终的二次排序结果是没有影响的。我们二次排序的最终结果是由我们的自定义比较器决定的。2、自定义分区器package com.mr; import org.apache.hadoop.io.IntWritable; import org.apache.hadoop.mapreduce.Partitioner; import org.slf4j.Logger; import org.slf4j.LoggerFactory; /**  * 自定义分区  * @author zengzhaozheng  */public class DefinedPartition extends Partitioner<CombinationKey,IntWritable>{     private static final Logger logger = LoggerFactory.getLogger(DefinedPartition.class);     /**     *  数据输入来源：map输出     * @author zengzhaozheng     * @param key map输出键值     * @param value map输出value值     * @param numPartitions 分区总数，即reduce task个数     */    @Override    public int getPartition(CombinationKey key, IntWritable value,int numPartitions) {         logger.info("--------enter DefinedPartition flag--------");         /**         * 注意：这里采用默认的hash分区实现方法         * 根据组合键的第一个值作为分区         * 这里需要说明一下，如果不自定义分区的话，mapreduce框架会根据默认的hash分区方法，         * 将整个组合将相等的分到一个分区中，这样的话显然不是我们要的效果         */        logger.info("--------out DefinedPartition flag--------");         return (key.getFirstKey().hashCode()&Integer.MAX_VALUE)%numPartitions;     } }说明：具体说明看代码注释。3、自定义比较器package com.mr; import org.apache.hadoop.io.WritableComparable; import org.apache.hadoop.io.WritableComparator; import org.slf4j.Logger; import org.slf4j.LoggerFactory; /**  * 自定义二次排序策略  * @author zengzhaoheng  */public class DefinedComparator extends WritableComparator {     private static final Logger logger = LoggerFactory.getLogger(DefinedComparator.class);     public DefinedComparator() {         super(CombinationKey.class,true);     }     @Override    public int compare(WritableComparable combinationKeyOne,             WritableComparable CombinationKeyOther) {         logger.info("---------enter DefinedComparator flag---------");                                                               CombinationKey c1 = (CombinationKey) combinationKeyOne;         CombinationKey c2 = (CombinationKey) CombinationKeyOther;                                                               /**         * 确保进行排序的数据在同一个区内，如果不在同一个区则按照组合键中第一个键排序         * 另外，这个判断是可以调整最终输出的组合键第一个值的排序         * 下面这种比较对第一个字段的排序是升序的，如果想降序这将c1和c2���过来（假设1）         */        if(!c1.getFirstKey().equals(c2.getFirstKey())){             logger.info("---------out DefinedComparator flag---------");             return c1.getFirstKey().compareTo(c2.getFirstKey());             }         else{//按照组合键的第二个键的升序排序，将c1和c2倒过来则是按照数字的降序排序(假设2)             logger.info("---------out DefinedComparator flag---------");             return c1.getSecondKey().get()-c2.getSecondKey().get();//0,负数,正数         }         /**         * （1）按照上面的这种实现最终的二次排序结果为：         * sort1    1,2         * sort2    3,54,77         * sort6    20,22,221         * （2）如果实现假设1，则最终的二次排序结果为:         * sort6    20,22,221         * sort2    3,54,77         * sort1    1,2         * （3）如果实现假设2，则最终的二次排序结果为:         * sort1    2,1         * sort2    77,54,3         * sort6    221,22,20         */        } }说明：自定义比较器决定了我们二次排序的结果。自定义比较器需要继承WritableComparator类，并且重写compare方法实现自己的比较策略。具体的排序问题请看注释。4、自定义分组策略package com.mr; import org.apache.Hadoop.io.WritableComparable; import org.apache.hadoop.io.WritableComparator; import org.slf4j.Logger; import org.slf4j.LoggerFactory; /**  * 自定义分组策略  * 将组合将中第一个值相同的分在一组  * @author zengzhaozheng  */public class DefinedGroupSort extends WritableComparator{     private static final Logger logger = LoggerFactory.getLogger(DefinedGroupSort.class);    public DefinedGroupSort() {         super(CombinationKey.class,true);     }     @Override    public int compare(WritableComparable a, WritableComparable b) {         logger.info("-------enter DefinedGroupSort flag-------");         CombinationKey ck1 = (CombinationKey)a;         CombinationKey ck2 = (CombinationKey)b;         logger.info("-------Grouping result:"+ck1.getFirstKey().                 compareTo(ck2.getFirstKey())+"-------");         logger.info("-------out DefinedGroupSort flag-------");         return ck1.getFirstKey().compareTo(ck2.getFirstKey());     } }5、主体程序实现package com.mr3;import java.io.File;import java.io.IOException;import java.text.SimpleDateFormat;import java.util.Date;import java.util.Iterator;import org.apache.hadoop.conf.Configuration;import org.apache.hadoop.fs.Path;import org.apache.hadoop.io.IntWritable;import org.apache.hadoop.io.LongWritable;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapred.JobConf;import org.apache.hadoop.mapreduce.Job;import org.apache.hadoop.mapreduce.Mapper;import org.apache.hadoop.mapreduce.Mapper.Context;import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;import org.apache.hadoop.mapreduce.lib.input.KeyValueTextInputFormat;import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;import org.apache.hadoop.mapreduce.Reducer;import com.mr1.EJob;import com.mr2.MyWordCountJob;import com.mr2.MyWordCountJob.MyMapper;import com.mr2.MyWordCountJob.MyReducer;public class SecondSortMR {public static class SortMapper extends Mapper<Text,Text,CombinationKey,IntWritable>{CombinationKey combinationKey=new CombinationKey();Text sortName=new Text();IntWritable score=new IntWritable();String[] inputString=null;@Overrideprotected void map(Text key, Text value, Context context)throws IOException, InterruptedException {System.out.println("SecondSortMR.SortMapper.map()");System.out.println("SecondSortMR.SortMapper.map()----key="+key);System.out.println("SecondSortMR.SortMapper.map()----value="+value);if(key == null || value == null || key.toString().equals("")                     || value.toString().equals("")){                 return;             } sortName.set(key.toString());score.set(Integer.parseInt(value.toString()));combinationKey.setFirstKey(sortName);combinationKey.setSecondKey(score);context.write(combinationKey, score);}}public static class SortReducer extends Reducer<CombinationKey,IntWritable,Text,Text>{StringBuffer sb=new StringBuffer();Text sore=new Text();@Overrideprotected void reduce(CombinationKey key, Iterable<IntWritable> values,Context context)throws IOException, InterruptedException {sb.delete(0, sb.length());Iterator<IntWritable> it=values.iterator();while (it.hasNext()) {sb.append(it.next()+",");}if (sb.length()>0) {sb.deleteCharAt(sb.length()-1);}sore.set(sb.toString());context.write(key.getFirstKey(),sore);System.out.println("reduce Input data:{["+key.getFirstKey()+","+             key.getSecondKey()+"],["+sore+"]}");}}public static void main(String[] args) throws Exception {File jarFile = EJob.createTempJar("bin");ClassLoader classLoader = EJob.getClassLoader();Thread.currentThread().setContextClassLoader(classLoader);Configuration conf = new Configuration(true);conf.set("fs.default.name", "hdfs://192.168.56.111:9000");conf.set("hadoop.job.user", "root");conf.set("mapreduce.framework.name", "yarn");conf.set("mapreduce.jobtracker.address", "192.168.56.111:9001");conf.set("yarn.resourcemanager.hostname", "192.168.56.111");conf.set("yarn.resourcemanager.admin.address", "192.168.56.111:8033");conf.set("yarn.resourcemanager.address", "192.168.56.111:8032");conf.set("yarn.resourcemanager.resource-tracker.address","192.168.56.111:8031");conf.set("yarn.resourcemanager.scheduler.address","192.168.56.111:8030");conf.setBoolean("mapreduce.app-submission.cross-platform", true);String[] otherArgs = new String[2];otherArgs[0] = "hdfs://192.168.56.111:9000/day0617/sort.txt";// 计算原文件目录，需提前在里面存入文件String time = new SimpleDateFormat("yyyyMMddHHmmss").format(new Date());otherArgs[1] = "hdfs://192.168.56.111:9000/output/output" + time;// 计算后的计算结果存储目录，每次程序执行的结果目录不能相同，所以添加时间标签Job job = new Job(conf, "SecondSortMR job");job.setJarByClass(SecondSortMR.class);((JobConf) job.getConfiguration()).setJar(jarFile.toString());// 环境变量调用，添加此句则可在eclipse中直接提交mapreduce任务，如果将该java文件打成jar包，需要将该句注释掉，否则在执行时反而找不到环境变量System.out.println("Job start!");FileInputFormat.addInputPath(job, new Path(otherArgs[0]));FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));job.setMapperClass(SortMapper.class);job.setReducerClass(SortReducer.class);job.setPartitionerClass(DefinedPartition.class); //设置自定义分区策略 job.setGroupingComparatorClass(DefinedGroupSort.class); //设置自定义分组策略job.setSortComparatorClass(DefinedComparator.class);//设置自定义二次排序策略 job.setInputFormatClass(KeyValueTextInputFormat.class);//设置文件输入格式job.setOutputFormatClass(TextOutputFormat.class);//使用默认的output格式 //设置map的输出key和value类型 job.setMapOutputKeyClass(CombinationKey.class);job.setOutputValueClass(IntWritable.class); //设置reduce的输出key和value类型 job.setOutputKeyClass(Text.class);job.setOutputValueClass(Text.class);if (job.waitForCompletion(true)) {System.out.println("ok!");} else {System.out.println("error!");System.exit(0);}}}