7 MapReduce进阶之shuffle阶段

Shuffle阶段说明

shuffle阶段主要包括map阶段的combine（压缩）、group、sort、partition以及reducer阶段的合并排序。Map阶段通过shuffle后会将输出数据按照reduce的分区分文件的保存，文件内容是按照定义的sort进行排序好的。Map阶段完成后会通知ApplicationMaster，然后AM会通知Reduce进行数据的拉取，在拉取过程中进行reduce端的shuffle过程。

数据如果直接放到hdfs上会多次备份浪费hdfs资源。数据放在运行节点的本地磁盘上。

用户自定义Combiner

Combiner可以减少Map阶段的中间输出结果数，降低网络开销。默认情况下是没有Combiner的。用户自定义的Combiner要求是Reducer的子类，以Map的输出 key,value作为Combiner的输入key,value和输出key,value，也就是说Combiner的输入和输出必须是一样的。
可以通过job.setCombinerClass设置combiner的处理类，MapReduce框架不保证一定会调用该类的方法。

用户自定义Partitoner

Partitioner是用于确定map输出的key,value对应的处理reducer是哪个节点。默认MapReduce任务reduce个数为1个，此时Partitioner其实没有什么效果，但是当我们将reduce个数修改为多个的时候，partitioner就会决定key所对应reduce的节点序号(从0开始)。
可以通过job.setPartitionerClass方法指定Partitioner类，默认情况下使用HashPartitioner（默认调用key的hashCode方法）。

用户自定义Group

GroupingComparator是用于将Map输出的key,value进行分组组合成key,List的关键类，直白来讲就是用于确定key1和key2是否属于同一组，如果是同一组，就将map的输出value进行组合。
要求我们自定义的类实现自接口RawComparator，可以通过job.setGroupingComparatorClass方法指定比较类。默认情况下使用WritableComparator，但是最终调用key的compareTo方法进行比较。

用户自定义Sort

SortComparator是用于将Map输出的key,value进行key排序的关键类， 直白来讲就是用于确定key1所属组和key2所属组那个在前，那个在后。
要求我们自定义的类实现自接口RawComparator，可以通过job.setSortComparatorClass方法指定比较类。默认情况下使用WritableComparator，但是最终调用key的compareTo方法进行比较。

用户自定义Reducer的Shuffle

在reduce端拉取map的输出数据的时候，会进行shuffle(合并排序)，MapReduce框架以插件模式提供了一个自定义的方式，我们可以通过实现接口ShuffleConsumerPlugin，并指定参数mapreduce.job.reduce.shuffle.consumer.plugin.class来指定自定义的shuffle规则，但是一般情况下，直接采用默认的类org.apache.hadoop.mapreduce.task.reduce.Shuffle。

---

案例–二次排序

hadoop默认只对key进行排序，有时候我们需要将value部分也进行排序，这种情况下有两种方式实现，第一种，我们将排序放到reducer端进行，但是这种方式当数据量比较大的时候，会比较消耗内存。那么另外一种方式就是二次排序。二次排序的内部实行其实是先按照key+value组合的方式进行排序，然后根据单独key进行分组的一种实行方式。要求reducer个数为2，而且奇数到第一个reducer进行处理，偶数到第二个reducer进行处理。


数据格式分析
map输入： 71 70
map输出： 71，70 70
reduce输入：
reduce输出：71 70

sort --> groupkey + value     value 先排序接着按照key分组，此时value便是有序的

IntPair —— 自定义输出key数据类型

package com.beifeng.shuffle;import java.io.DataInput;import java.io.DataOutput;import java.io.IOException;import org.apache.hadoop.io.WritableComparable;/** * 自定义输出key数据类型 * * @author Administrator * */public class IntPair implements WritableComparable<IntPair> {     private int first;     private int second;     public IntPair() {           super();     }     public IntPair(int first, int second) {           super();           this.first = first;           this.second = second;     }     public int getFirst() {           return first;     }     public void setFirst(int first) {           this.first = first;     }     public int getSecond() {           return second;     }     public void setSecond(int second) {           this.second = second;     }     @Override     public void write(DataOutput out) throws IOException {           out.writeInt(this.first);           out.writeInt(this.second);     }     @Override     public void readFields(DataInput in) throws IOException {           this.first = in.readInt();           this.second = in.readInt();     }     @Override     public int compareTo(IntPair o) {           if (o == this) {                return 0;           }           // 先按照first排序           int tmp = Integer.compare(this.first, o.first);           if (tmp != 0) {                return tmp;           }           // 再按照second排序           tmp = Integer.compare(this.second, o.second);           return tmp;     }}

IntPairGrouping

package com.beifeng.shuffle;import org.apache.hadoop.io.WritableComparable;import org.apache.hadoop.io.WritableComparator;/** * 自定义分组类 * * @author Administrator * */public class IntPairGrouping extends WritableComparator {     public IntPairGrouping() {           super(IntPair.class, true);     }     @Override     public int compare(WritableComparable a, WritableComparable b) {           IntPair key1 = (IntPair) a;           IntPair key2 = (IntPair) b;           return Integer.compare(key1.getFirst(), key2.getFirst());     }}

IntPairPartitioner

package com.beifeng.shuffle;import org.apache.hadoop.io.IntWritable;import org.apache.hadoop.mapreduce.Partitioner;public class IntPairPartitioner extends Partitioner<IntPair, IntWritable> {     @Override     public int getPartition(IntPair key, IntWritable value, int numPartitions) {           if (numPartitions >= 2) {                int first = key.getFirst();                if (first % 2 == 0) {                     // 偶数，需要使用第二个reducer进行处理                     return 1;                } else {                     // 奇数，需要第一个reducer 进行处理，返回值范围是0 - num-1                     return 0;                }           } else {                throw new IllegalArgumentException("reducer个数必须大于1");           }     }}

DemoRunner

package com.beifeng.shuffle;import java.io.IOException;import org.apache.hadoop.conf.Configuration;import org.apache.hadoop.fs.Path;import org.apache.hadoop.io.IntWritable;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.output.FileOutputFormat;/** * 主类 * * @author Administrator * */public class DemoRunner {     /**      * 处理mapper类      *      * @author Administrator      *      */     static class DemoMapper extends Mapper<Object, Text, IntPair, IntWritable> {           @Override           protected void map(Object key, Text value, Context context)                     throws IOException, InterruptedException {                String line = value.toString();                String[] strs = line.split("\\s");                if (strs.length == 2) { // 要求数据每行两个                     int first = Integer.valueOf(strs[0]);                     int second = Integer.valueOf(strs[1]);                     context.write(new IntPair(first, second), new IntWritable(second));                } else {                     System.err.println("数据异常" + line);                }           }     }     /**      * 自定义reducer类      *      * @author Administrator      *      */     static class DemoReducer extends Reducer<IntPair, IntWritable, IntWritable, Text> {           @Override           protected void reduce(IntPair key, Iterable<IntWritable> values, Context context)                     throws IOException, InterruptedException {                Integer preKey = key.getFirst();                StringBuffer sb = new StringBuffer(); // 保存结果                for (IntWritable value : values) {                     int curKey = key.getFirst();                     if (preKey == curKey) {                           // 表示是同一个key，但是value是不一样的，或者value是排序好的                           sb.append(value.get()).append(",");                     } else {                           // 表示是新的一个key，先输出旧的key对应的value信息，然后修改key值和stringbuffer的值                           context.write(new IntWritable(preKey), new Text(sb.toString()));                           preKey = curKey;                           sb = new StringBuffer();                           sb.append(value.get()).append(",");                     }                }                // 输出最后的结果信息                context.write(new IntWritable(preKey), new Text(sb.toString()));           }     }     public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {           Configuration conf = new Configuration();           conf.set("fs.defaultFS", "hdfs://192.168.175.110:8020");           Job job = Job.getInstance(conf, "demo-job");           job.setJarByClass(DemoRunner.class);           job.setMapperClass(DemoMapper.class);           job.setReducerClass(DemoReducer.class);           job.setMapOutputKeyClass(IntPair.class);           job.setMapOutputValueClass(IntWritable.class);           job.setOutputKeyClass(IntWritable.class);           job.setOutputValueClass(Text.class);           // group by class          job.setGroupingComparatorClass(IntPairGrouping.class);           // 设置partitioner，要求reducer个数大于1           job.setPartitionerClass(IntPairPartitioner.class);           job.setNumReduceTasks(2);           // 输入输出路径           FileInputFormat.addInputPaths(job, "/beifeng/input/intpair/");           FileOutputFormat.setOutputPath(job, new Path("/beifeng/07/output/" + System.currentTimeMillis()));           // 提交           job.waitForCompletion(true);     }}

#