Hive、MapReduce、Spark分布式生成唯一数值型ID

来源：互联网发布：js下载图片保存到本地编辑：程序博客网时间：2024/06/08 00:57

在实际业务场景下，经常会遇到在Hive、MapReduce、Spark中需要生成唯一的数值型ID。

一般常用的做法有：

MapReduce中使用1个Reduce来生成;

Hive中使用row_number分析函数来生成，其实也是1个Reduce;

借助HBase或Redis或Zookeeper等其它框架的计数器来生成;

数据量不大的情况下，可以直接使用1和2方法来生成，但如果数据量巨大，1个Reduce处理起来就非常慢。

在数据量非常大的情况下，如果你仅仅需要唯一的数值型ID，注意：不是需要”连续的唯一的数值型ID”，那么可以考虑采用本文中介绍的方法，否则，请使用第3种方法来完成。

Spark中生成这样的非连续唯一数值型ID，非常简单，直接使用zipWithUniqueId即可。

参考zipWithUniqueId的方法，在MapReduce和Hive中，实现如下：

在Spark中，zipWithUniqueId是通过使用分区Index作为每个分区ID的开始值，在每个分区内，ID增长的步长为该RDD的分区数，那么在MapReduce和Hive中，也可以照此思路实现，Spark中的分区数，即为MapReduce中的Map数，Spark分区的Index，即为Map Task的ID。Map数，可以通过JobConf的getNumMapTasks，而Map Task ID，可以通过参数mapred.task.id获取，格式如：attempt_1478926768563_0537_m_000004_0，截取m_000004_0中的4，再加1，作为该Map Task的ID起始值。注意：这两个只均需要在Job运行时才能获取。另外，从图中也可以看出，每个分区/Map Task中的数据量不是绝对一致的，因此，生成的ID不是连续的。

下面的UDF可以在Hive中直接使用：

package com.lxw1234.hive.udf;
import org.apache.hadoop.hive.ql.exec.MapredContext;
import org.apache.hadoop.hive.ql.exec.UDFArgumentException;
import org.apache.hadoop.hive.ql.metadata.HiveException;
import org.apache.hadoop.hive.ql.udf.UDFType;
import org.apache.hadoop.hive.ql.udf.generic.GenericUDF;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.primitive.PrimitiveObjectInspectorFactory;
import org.apache.hadoop.io.LongWritable;
@UDFType(deterministic = false, stateful = true)
public class RowSeq2 extends GenericUDF {
private static LongWritable result = new LongWritable;
private static final char SEPARATOR = '_';
private static final String ATTEMPT = "attempt";
private long initID = 0l;
private int increment = 0;
@Override
public void configure(MapredContext context) {
increment = context.getJobConf.getNumMapTasks;
if(increment == 0) {
throw new IllegalArgumentException("mapred.map.tasks is zero");
}
initID = getInitId(context.getJobConf.get("mapred.task.id"),increment);
if(initID == 0l) {
throw new IllegalArgumentException("mapred.task.id");
}
System.out.println("initID : " + initID + " increment : " + increment);
}
@Override
public ObjectInspector initialize(ObjectInspector[] arguments)
throws UDFArgumentException {
return PrimitiveObjectInspectorFactory.writableLongObjectInspector;
}
@Override
public Object evaluate(DeferredObject[] arguments) throws HiveException {
result.set(getValue);
increment(increment);
return result;
}
@Override
public String getDisplayString(String[] children) {
return "RowSeq-func";
}
private synchronized void increment(int incr) {
initID += incr;
}
private synchronized long getValue {
return initID;
}
//attempt_1478926768563_0537_m_000004_0 // return 0+1
private long getInitId (String taskAttemptIDstr,int numTasks)
throws IllegalArgumentException {
try {
String parts = taskAttemptIDstr.split(Character.toString(SEPARATOR));
if(parts.length == 6) {
if(parts[0].equals(ATTEMPT)) {
if(!parts[3].equals("m") && !parts[3].equals("r")) {
throw new Exception;
}
long result = Long.parseLong(parts[4]);
if(result >= numTasks) { //if taskid >= numtasks
throw new Exception("TaskAttemptId string : " + taskAttemptIDstr
+ " parse ID [" + result + "] >= numTasks[" + numTasks + "] ..");
}
return result + 1;
}
}
} catch (Exception e) {}
throw new IllegalArgumentException("TaskAttemptId string : " + taskAttemptIDstr
+ " is not properly formed");
}
}

有一张去重后的用户id(字符串类型)表，需要位每个用户id生成一个唯一的数值型seq:

ADD jar file:///tmp/udf.jar;
CREATE temporary function seq2 as 'com.lxw1234.hive.udf.RowSeq2';
hive>> desc lxw_all_ids;
OK
id string
Time taken: 0.074 seconds, Fetched: 1 row(s)
hive> select * from lxw_all_ids limit 5;
OK
01779E7A06ABF5565A4982_cookie
031E2D2408C29556420255_cookie
03371ADA0B6E405806FFCD_cookie
0517C4B701BC1256BFF6EC_cookie
05F12ADE0E880455931C1A_cookie
Time taken: 0.215 seconds, Fetched: 5 row(s)
hive> select count(1) from lxw_all_ids;
253402337
hive> create table lxw_all_ids2 as select id,seq2 as seq from lxw_all_ids;
…
Hadoop job information for Stage-1: number of mappers: 27; number of reducers: 0
…

该Job使用了27个Map Task，没有使用Reduce，那么将会产生27个结果文件。

再看结果表中的数据：

hive> select * from lxw_all_ids2 limit 10;
OK
766CA2770527B257D332AA_cookie 1
5A0492DB0000C557A81383_cookie 28
8C06A5770F176E58301EEF_cookie 55
6498F47B0BCAFE5842B83A_cookie 82
6DA33CB709A23758428A44_cookie 109
B766347B0D27925842AC2D_cookie 136
5794357B050C99584251AC_cookie 163
81D67A7B011BEA5842776C_cookie 190
9D2F8EB40AEA525792347D_cookie 217
BD21077B09F9E25844D2C1_cookie 244
hive> select count(1),count(distinct seq) from lxw_all_ids2;
253402337 253402337

limit 10只从第一个结果文件，即MapTaskId为0的结果文件中拿了10条，这个Map中，start=1，increment=27，因此生成的ID如上所示。

count(1),count(distinct seq)的值相同，说明seq没有重复值，你可以试试max(seq)，结果必然大于253402337，说明seq是”非连续唯一数值型ID“.

0 0