Hadoop MapReduce 二次排序原理及其应用
目录简介：
1、 工作原理
2、 二次排序
3、 具体步骤
3.1、自定义key
3.2、自定义一个类
4、 参考代码
5、 测试
6、 测试数据及结果
7、 原理图
8、 推荐阅读
9、 Reference
问题描述：
在进行日志分析时，为了便于按session 切分日志，我们现在的需求是先按 cookieId 排序，然后按 time 排序。
数据格式如下所示：
|
|
cookieId time url 2 12:12:34 2_hao123 3 09:10:34 3_baidu 1 15:02:41 1_google 3 22:11:34 3_sougou 1 19:10:34 1_baidu 2 15:02:41 2_google 1 12:12:34 1_hao123 3 23:10:34 3_soso 2 05:02:41 2_google
结果： ------------------------------------------------ 1 12:12:34 1_hao123 1 15:02:41 1_google 1 19:10:34 1_baidu ------------------------------------------------ 2 05:02:41 2_google 2 12:12:34 2_hao123 2 15:02:41 2_google ------------------------------------------------ 3 09:10:34 3_baidu 3 22:11:34 3_sougou 3 23:10:34 3_soso |
参考范例说明：
MapReduce中自带的例子中的源码SecondarySort，可以参考一下这个列子。
这个例子中定义的map和reduce如下，关键是它对输入输出类型的定义：（java泛型编程）
publicstatic class Map extends Mapper
publicstatic class Reduce extends Reducer
1、首先说一下工作原理：
在map阶段，使用job.setInputFormatClass定义的InputFormat将输入的数据集分割成小数据块splites，同时InputFormat提供一个RecordReder的实现。本例子中使用的是TextInputFormat，他提供的RecordReder会将文本的字节偏移量作为key，这一行的文本作为value。 这就是自定义Map的输入是
在reduce阶段，reducer接收到所有映射到这个reducer的map输出后，也是会调用job.setSortComparatorClass设置的key比较函数类对所有数据对排序。然后开始构造一个key对应的value迭代器。这时就要用到分组，使用jobjob.setGroupingComparatorClass设置的分组函数类。只要这个比较器比较的两个key相同，他们就属于同一个组，它们的value放在一个value迭代器，而这个迭代器的key使用属于同一个组的所有key的第一个key。最后就是进入Reducer的reduce方法，reduce方法的输入是所有的（key和它的value迭代器）。同样注意输入与输出的类型必须与自定义的Reducer中声明的一致。
2、二次排序
就是首先按照第一字段排序，然后再对第一字段相同的行按照第二字段排序，注意不能破坏第一次排序的结果 。例如 ：
echo "3 b
1 c
2 a
1 d
3 a"|sort -k1 -k2
1 c
1 d
2 a
3 a
3 b
3、具体步骤：
3.1 自定义key
在Map Reduce中，所有的key是需要被比较和排序的，并且是二次，先根据partitioner，再根据大小。而本例中也是要比较两次。先按照第一字段排序，然后再对第一字段相同的按照第二字段排序。根据这一点，我们可以构造一个复合类IntPair，他有两个字段，先利用分区对第一字段排序，再利用分区内的比较对第二字段排序。
所有自定义的key应该实现接口WritableComparable，因为是可序列的并且可比较的。并重载方法
//反序列化，从流中的二进制转换成IntPair
public void readFields(DataInput in) throws IOException
//序列化，将IntPair转化成使用流传送的二进制
public void write(DataOutput out)
//key的比较
public int compareTo(IntPair o)
另外新定义的类应该重写的两个方法
//The hashCode() method is used by the HashPartitioner (the default partitionerin MapReduce)
public int hashCode()
public boolean equals(Object right)
3.2 由于key是自定义的，所以还需要自定义一下类：
3.2.1 分区函数类。这是key的第一次比较
public static class FirstPartitioner extends Partitioner
在job中设置使用setPartitionerClasss
3.2.2 key比较函数类。这是key的第二次比较。这是一个比较器，需要继承WritableComparator
public static class KeyComparator extends WritableComparator
必须有一个构造函数，并且重载 public int compare(WritableComparable w1,WritableComparable w2)
另一种方法是 实现接口RawComparator。
在job中设置使用setSortComparatorClass。
3.3 分组函数类
在reduce阶段，构造一个key对应的value迭代器的时候，只要first相同就属于同一个组，放在一个value迭代器。这是一个比较器，需要继承WritableComparator。
public static class GroupingComparator extends WritableComparator
同key比较函数类，必须有一个构造函数，并且重载 publicint compare(WritableComparable w1, WritableComparable w2)
同key比较函数类，分组函数类另一种方法是实现接口RawComparator。
在job中设置使用setGroupingComparatorClass。
另外注意的是，如果reduce的输入与输出不是同一种类型，则不要定义Combiner也使用reduce，因为Combiner的输出是reduce的输入。除非重新定义一个Combiner。
4 代码：
这个例子中没有使用key比较函数类，而是使用key的实现的compareTo方法：
packagehunanuniversity.guanxiangqing.hadoopInputformat;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.io.WritableComparator;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Partitioner;
import org.apache.hadoop.mapreduce.Reducer;
importorg.apache.hadoop.mapreduce.lib.input.FileInputFormat;
importorg.apache.hadoop.mapreduce.lib.input.TextInputFormat;
importorg.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
public class SecondarySort {
// 自己定义的key类应该实现WritableComparable接口
public static class IntPair implementsWritableComparable
String first;
String second;
/**
*Set the left and right values.
*/
public void set(String left, String right) {
first = left;
second = right;
}
public String getFirst() {
return first;
}
public StringgetSecond() {
return second;
}
// 反序列化，从流中的二进制转换成IntPair
public void readFields(DataInput in) throws IOException{
first =in.readUTF();
second =in.readUTF();
}
// 序列化，将IntPair转化成使用流传送的二进制
public void write(DataOutput out) throws IOException{
out.writeUTF(first);
out.writeUTF(second);
}
// 重载 compareTo 方法，进行组合键 key 的比较，该过程是默认行为。
// 分组后的二次排序会隐式调用该方法。
public int compareTo(IntPair o) {
if (!first.equals(o.first)) {
return first.compareTo(o.first);
} else if (!second.equals(o.second)) {
return second.compareTo(o.second);
} else {
return 0;
}
}
// 新定义类应该重写的两个方法
// ThehashCode() method is used by the HashPartitioner (the default
//partitioner in MapReduce)
public int hashCode() {
return first.hashCode() * 157 + second.hashCode();
}
public boolean equals(Object right) {
if (right == null)
return false;
if (this == right)
return true;
if (right instanceof IntPair) {
IntPair r = (IntPair) right;
return r.first.equals(first) && r.second.equals(second);
} else {
return false;
}
}
}
/**
* 分区函数类。根据first确定Partition。
*/
public static class FirstPartitioner extendsPartitioner
public int getPartition(IntPair key, Text value, int numPartitions) {
return Math.abs(key.getFirst().hashCode() *127) % numPartitions;
}
}
/**
* 分组函数类。只要first相同就属于同一个组。
*/
/*
* //第一种方法，实现接口RawComparatorpublic static class GroupingComparator
*implements RawComparator
*IntPair o2) { int l = o1.getFirst(); int r = o2.getFirst();return l == r
* ? 0: (l < r ? -1 : 1); }
* //一个字节一个字节的比，直到找到一个不相同的字节，然后比这个字节的大小作为两个字节流的大小比较结果。 public int
*compare(byte[] b1, int s1, int l1, byte[] b2, int s2, intl2){ return
*WritableComparator.compareBytes(b1, s1, Integer.SIZE/8, b2, s2,
*Integer.SIZE/8); } }
*/
// 第二种方法，继承WritableComparator
public static class GroupingComparator extends WritableComparator {
protectedGroupingComparator() {
super(IntPair.class, true);
}
// Comparetwo WritableComparables.
// 重载 compare：对组合键按第一个自然键排序分组
public int compare(WritableComparable w1, WritableComparablew2) {
IntPair ip1 = (IntPair) w1;
IntPair ip2 = (IntPair) w2;
String l = ip1.getFirst();
String r = ip2.getFirst();
returnl.compareTo(r);
}
}
// 自定义map
public static class Map extendsMapper
private final IntPair keyPair = new IntPair();
String[] lineArr = null;
public void map(LongWritable key, Text value, Context context)
throwsIOException, InterruptedException {
String line = value.toString();
lineArr =line.split("\t", -1);
keyPair.set(lineArr[0], lineArr[1]);
context.write(keyPair, value);
}
}
// 自定义reduce
//
public static class Reduce extendsReducer
private static final Text SEPARATOR = new Text(
"------------------------------------------------");
public void reduce(IntPair key, Iterable
throwsIOException, InterruptedException {
context.write(SEPARATOR, null);
for (Text val :values) {
context.write(null, val);
}
}
}
public static void main(String[] args) throws IOException,
InterruptedException,ClassNotFoundException {
// 读取hadoop配置
Configuration conf = new Configuration();
// 实例化一道作业
Job job = new Job(conf, "secondarysort");
job.setJarByClass(SecondarySort.class);
// Mapper类型
job.setMapperClass(Map.class);
// 不再需要Combiner类型，因为Combiner的输出类型
//IntWritable>对Reduce的输入类型
//job.setCombinerClass(Reduce.class);
// Reducer类型
job.setReducerClass(Reduce.class);
// 分区函数
job.setPartitionerClass(FirstPartitioner.class);
// 分组函数
job.setGroupingComparatorClass(GroupingComparator.class);
// map 输出Key的类型
job.setMapOutputKeyClass(IntPair.class);
// map输出Value的类型
job.setMapOutputValueClass(Text.class);
// rduce输出Key的类型，是Text，因为使用的OutputFormatClass是TextOutputFormat
job.setOutputKeyClass(Text.class);
// rduce输出Value的类型
job.setOutputValueClass(Text.class);
// 将输入的数据集分割成小数据块splites，同时提供一个RecordReder的实现。
job.setInputFormatClass(TextInputFormat.class);
// 提供一个RecordWriter的实现，负责数据输出。
job.setOutputFormatClass(TextOutputFormat.class);
// 输入hdfs路径
FileInputFormat.setInputPaths(job,new Path(args[0]));
// 输出hdfs路径
FileSystem.get(conf).delete(new Path(args[1]), true);
FileOutputFormat.setOutputPath(job,new Path(args[1]));
// 提交job
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}
5 测试需求：
假如我们现在的需求是先按 cookieId 排序，然后按 time 排序，以便按 session 切分日志
6测试数据与结果：
|
|
cookieId time url 2 12:12:34 2_hao123 3 09:10:34 3_baidu 1 15:02:41 1_google 3 22:11:34 3_sougou 1 19:10:34 1_baidu 2 15:02:41 2_google 1 12:12:34 1_hao123 3 23:10:34 3_soso 2 05:02:41 2_google
结果： ------------------------------------------------ 1 12:12:34 1_hao123 1 15:02:41 1_google 1 19:10:34 1_baidu ------------------------------------------------ 2 05:02:41 2_google 2 12:12:34 2_hao123 2 15:02:41 2_google ------------------------------------------------ 3 09:10:34 3_baidu 3 22:11:34 3_sougou 3 23:10:34 3_soso |
7 原理图（点击查看大图）：
8、推荐阅读：
hive中使用标准sql实现分组内排序
http://superlxw1234.iteye.com/blog/1869612
Pig、Hive、MapReduce 解决分组 Top K 问题
http://my.oschina.net/leejun2005/blog/85187
9、REF:
mapreduce的二次排序 SecondarySort
http://blog.csdn.net/zyj8170/article/details/7530728
学会定制MapReduce里的partition,sort和grouping,Secondary Sort Made Easy 进行二次排序
http://blog.sina.com.cn/s/blog_9bf980ad0100zk7r.html
SimpleMoving Average, Secondary Sort, and MapReduce (Part 3)
http://blog.cloudera.com/blog/2011/04/simple-moving-average-secondary-sort-and-mapreduce-part-3/
https://github.com/jpatanooga/Caduceus/tree/master/src/tv/floe/caduceus/hadoop/movingaverage
MapReduce的排序和二次排序原理总结
http://hugh-wangp.iteye.com/blog/1491175
泛型value的二次排序
http://wenku.baidu.com/view/a3826a235901020207409c47.html
http://vangjee.wordpress.com/2012/03/20/secondary-sorting-aka-sorting-values-in-hadoops-mapreduce-programming-paradigm/
http://blog.csdn.net/heyutao007/article/details/5890103
http://my.oschina.net/leejun2005/blog/132785