Hadoop自定义分区Partitioner

一：背景

为了使得MapReduce计算后的结果显示更加人性化，Hadoop提供了分区的功能，可以使得MapReduce计算结果输出到不同的分区中，方便查看。Hadoop提供的Partitioner组件可以让Map对Key进行分区，从而可以根据不同key来分发到不同的reduce中去处理，我们可以自定义key的分发规则，如数据文件包含不同的省份，而输出的要求是每个省份对应一个文件。

二：技术实现

自定义分区很简单，我们只需要继承抽象类Partitioner，实现自定义的getPartitioner()方法即可，另外还要给任务设置分区：job.setPartitionerClass()，就可以了。

案例

阿里巴巴旗下三个子网站site1、site2、site3，每个网站对商品销售进行了统计，现在要汇总这三个网站的销售量，数据如下：

从上图可以看到有4种商品，很显然我们应该设置4个分区，代码如下：

public class MyPartitionerTest extends Configured implements Tool{
		// 定义输入路径
		private static String INPUT_PATH = "";
		// 定义输出路径
		private static  String OUT_PATH = "";

		public static void main(String[] args) {
			try {
				//运行
				ToolRunner.run(new MyPartitionerTest(), args);
			} catch (Exception e) {
				e.printStackTrace();
			}
			
		}
	public static class MyPartitionerMapper extends Mapper {
		// 创建map输出的key
		private Text product = new Text();
		// 创建map输出的value
		private LongWritable saleNum = new LongWritable();

		@Override
		protected void map(LongWritable key, Text value, Mapper.Context context) throws IOException,
				InterruptedException {

			// 对行文本内容进行切分
			String[] splits = value.toString().split("\t");
			System.out.println(splits[0] +":"+ splits[1]);
			// 获取商品和销售量写出去
			product.set(splits[0]);
			saleNum.set(Long.parseLong(splits[1]));
			
			// 写出去
			context.write(product, saleNum);
		}
	}

	public static class MyPartitionerReducer extends Reducer {

		// 定义商品的销售量
		private LongWritable saleSum = new LongWritable();

		@Override
		protected void reduce(Text key, Iterable values, Reducer.Context context) throws IOException,
				InterruptedException {
			// 定义商品的总数
			Long sum = 0L;
			// 遍历集合对商品销售进行汇总
			for (LongWritable saleNum : values) {
				sum += saleNum.get();
			}
			// 设置商品的总销售量
			saleSum.set(sum);
			// 写出去
			context.write(key, saleSum);
		}
	}

	public static class MyPartitioner extends Partitioner {

		@Override
		public int getPartition(Text key, LongWritable value, int numPartitions) {

			if (key.toString().equals("shoes")) // 当key为"shoes"时，分一个区
				return 0;
			if (key.toString().equals("hat"))// 当key为"hat"时分一个区
				return 1;
			if (key.toString().equals("stockings"))// 当key为stockings"时分一个区
				return 2;
			// 其他的记录都分到一个区中
			return 3;
		}

	}

	public int run(String[] args) throws Exception {
		try {
			
			//为路径设置参数
			INPUT_PATH = args[0];
			OUT_PATH = args[1];
			// 创建配置信息
			Configuration conf = new Configuration();
			

			// 创建文件系统
			FileSystem fileSystem = FileSystem.get(new URI(OUT_PATH), conf);
			// 如果输出目录存在，我们就删除
			if (fileSystem.exists(new Path(OUT_PATH))) {
				fileSystem.delete(new Path(OUT_PATH), true);
			}

			// 创建任务
			Job job = new Job(conf, MyPartitionerTest.class.getName());

			//打成jar包
			job.setJarByClass(MyPartitionerTest.class);
			//1.1	设置输入目录和设置输入数据格式化的类
			FileInputFormat.setInputPaths(job, INPUT_PATH);
			job.setInputFormatClass(TextInputFormat.class);

			//1.2	设置自定义Mapper类和设置map函数输出数据的key和value的类型
			job.setMapperClass(MyPartitionerMapper.class);
			job.setMapOutputKeyClass(Text.class);
			job.setMapOutputValueClass(LongWritable.class);

			// 1.3	设置分区和reduce数量(reduce的数量，和分区的数量对应，因为分区为一个，所以reduce的数量也是一个)
			job.setPartitionerClass(MyPartitioner.class);
			job.setNumReduceTasks(4);//注：这个分区的数量是我们实现要规定好的，因为我们有四种商品，所以我们分了四个区

			//1.4	排序、分组
			//1.5	归约
			job.setCombinerClass(MyPartitionerReducer.class);
			// 2.1	Shuffle把数据从Map端拷贝到Reduce端。
			//2.2	指定Reducer类和输出key和value的类型
			job.setReducerClass(MyPartitionerReducer.class);
			job.setOutputKeyClass(Text.class);
			job.setOutputValueClass(LongWritable.class);

			//2.3	指定输出的路径和设置输出的格式化类
			FileOutputFormat.setOutputPath(job, new Path(OUT_PATH));
			job.setOutputFormatClass(TextOutputFormat.class);


			// 提交作业 退出
			System.exit(job.waitForCompletion(true) ? 0 : 1);
		
		} catch (Exception e) {
			e.printStackTrace();
		}
		
		return 0;
	}

}

打包运行程序：

hadoop jar MyPartitioner.jar hdfs://liaozhongmin5:9000/files/* hdfs://liaozhongmin5:9000/out

程序运行结果：

如我们所愿，程序分了四个分区！

程序运行的日志：

有兴趣的可以去分析一下程序运行所消耗的资源：基于计算机资源分析MapReduce运行。

注：一个有意思的问题是，我直接使用Eclipse插件连接远程的Hadoop集群去跑这个程序就会报错，提示分区非法，在网上看到有人说，如果分区数大于1的时候，就必须打成jar包才能正常运行，天知道呢，就这样吧，反正也没有更好的解释了！