Hadoop 分片、分组与排序

  首先需要明确的是，hadoop里的key一定要是可排序的，要么key自身实现了WritableComparator接口，要么有一个排序类可以对key进行排序。如果key本身不实现WritableComparator接口，而是由另外的一个工具类（实现RawComparator接口）来提供排序的话，需要单独设置key的排序类：
job.setOutputKeyComparatorClass(XXX.class);
在map输出的时候，会进行分片，在片内再对key进行排序。分片的作用是确定分发到哪个reduce；排序的原因是为后一阶段的reduce的排序做好基础，以便归并排序的时候更快。
reduce端搜集到众多map节点的输出后，也会按照key进行排序。排序要么是根据提供的单独排序类，如果没有，则是要求key一定要实现WritableComparator接口，否则cast的时候会报异常。
我们写的reduce方法里，接收的参数中，value是一个迭代的值，框架把key ”相同“的k-v的v值，放在一个迭代器里。reduce方法的key参数，取得是第一个k-v的k值。key是否相同是由业务决定的，不像数字1=1这样的绝对比较。这个过程叫做分组。相同组内的k-v，由同一次的reduce方法处理。分组需要一个分组方法，来确定哪些k-v是一组的。分组方法比较的还是key的值。如果提供了单独的分组器，就使用单独的分组器来进行分组，否则默认行为就是进行key 的比较（key本身的compare方法或者单独的比较方法），比较一致的，就放在一个组里。有时候，key虽然不同，但是又希望它们在一个组里，此时，就需要单独提供一个分组方法了。由job.setOutputValueGroupingComparator（）方法设定。在这种key不相同，却在同一个组的时候，传递给我们写的reduce方法的key由于是取第一个k-v的k值，那么k的排序就显得很重要了。通过排序，将需要的k-v排在第一位，可以借此达到某些目的。如进行联查的时候。

例如：有两个文件，一个是city.txt，一个是person.txt，city里记录的是城市编号以及城市名称，以逗号分隔，person文件里记录的是城市编号与姓名，希望最终得到姓名-城市名称的结果。

这个方法有很多解，这里就举一个：想办法将同一城市的人包括该城市的名称放在一个组里，同时将城市名称放在第一位，那么在reduce端，取到第一个value就是城市的名称了，其余的就是人的姓名。

city.txt

1,gz

2,zh

3,dg


person.txt

1,lili

2,huangq

2,chaojie

3,pengming

3,duw


定义一个结构作为key：

CityPerson implements WritableComparator{

int cityId;

int flag;

}

约定city的flag=1，person的flag=0.

排序方法是flag=1的排在前面。

@Override
 public int compareTo(CityPerson o) {
 
 if(cityId==o.cityId){

          //大的在前

              if(flag>o.flag){ return -1; }

             else   if(flag
             return 0;

         }
 
 return (cityId>o.cityId)?1:-1;

}


经过reduce端的最后排序，所以的k-v都排好了，而且，相同cityid的，flag=1的会排在前面。
由于此CityPerson的比较方法，已经不能用来分组了（相同cityid，不同flag的比较不为0，就不会放在一个组，而要求是cityid相同的需要放在一个组里），所以，需要单独提供一个分组器，
public class GroupComparator implements RawComparator{
@Override
public int compare(CityPerson o1, CityPerson o2) {
if(o1.cityId==o2.cityId){
return 0;
}
return (o1.cityId>o2.cityId)?1:-1;
}
@Override
public int compare(byte[] arg0, int arg1, int arg2, byte[] arg3,
int arg4, int arg5) {
return 0;
}
}
只比较cityid。