hadoop2.5.2学习09--MR之统计每月最高三个温度

1、 本案例的需求

数据为每5秒统计一次的温度数据，我需要求取每个月份的最高三个温度
数据类型格式：

2、解决思路

• 设定多个reduce
  
  • 每年的数据都很多，如果按照默认情况处理，统计性能是非常慢（因为默认只有一个reduce），所以我们需要重新分配reduceTask，将一年的数据交给一个reduceTask处理，
• 分区
  
  • 那个数据交给哪个reduceTask处理是有Patitioner决定（patition对每个map输出的数据分配置一个分区号这个分区号决定map输出数据送到那个reudeTask），
• 自定义分区
  
  • 由于我们是将一年的数据交给一个reduce处理，但是默认分区是按照key.hashCode()的值 模 reduceTask数量得到分区号，所以我们需要重写分区,

• 自定义排序

  • 由于我们是要每月最该的三个温度，所以需要对温度进行排序，所以在洗牌（shuffler）过程中自定义sort,

• 自定义分组

  • 分组的目的：是按照实际的需求，将数据分成一个个组， 传给reduceTask，我们的需求是统计每年每月温度最高的三个，如果一组数据就是这一年的数据，我们对着一年的数据进行统计，是很复杂的，如果我们将每月的数据分成一个组，这样就会方便多了， 默认的分组是按照key是否相同进行分组，所以我们要自定义分组
• 自定义key
  
  • 默认的partition是根据key的hashcode模reduceTask数量,得到分区号
  • 默认的排序是根据key的字典排序
  • 默认的分组是根据key相同，进行比较进行分组
  • 这几个都与key与联系， 所以我们需要影响这些步骤的因素添加到key中，
  • 根据上面分析，partition与年有关，sort与温度有关，分组和月份有关
  • 总结：所以key中需要包含year, month, T

3、程序流程

3.1、自定义key

  在上面分析， key包含year, month, T，在map输出和reduce的输入，都会发生溢写数据到disk上， map到reduce可能跨网络传输，

• 所以对key进行序列化（持久化）与反序列化。
• 由于分组需要判断key是否是同一个对象， 所以需要重写equals();
• 在hadoop是序列化和反序列化，需要实现Writable，同时比价是否是同一个对象，需要实现Comparable。所以hadoop中提供一个接口WritableComparable,提供我们所需的。

下面为代码：

package com.chb.myWeather;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
import org.apache.hadoop.io.WritableComparable;
/**
 自定义key：
      包含 year，month, T
   map输出，和reduce的输入都会将数据溢写道磁盘， 
 而map到reduce 会跨网络传输，所以需要持久化(序列化)
/
public class MyKey implements WritableComparable{
    private int year;
    private int month;
    private double t;
    ...
    getter/setter...
    ...
    //反序列化
    @Override
    public void readFields(DataInput arg0) throws IOException {
        this.year = arg0.readInt();
        this.month = arg0.readInt();
        this.t = arg0.readDouble();
    }
    //序列化
    @Override
    public void write(DataOutput arg0) throws IOException {
        arg0.writeInt(year);
        arg0.writeInt(month);
        arg0.writeDouble(t);
    }
    /**
     判断是否为同一个对象， 该对象最为map输出的key
    /
    public int compareTo(MyKey o) {
        int c1 = Integer.compare(this.getYear(), o.getYear());
        if (c1 == 0) {
            int c2 = Integer.compare(this.getMonth(), o.getMonth());
            if (c2 == 0){
                return Double.compare(this.getT(), o.getT());
            }else {
                return c2;
            }
        }else {

            return c1;
        }
    }

}

3.2、Mapper

• 输入:
  
  • 默认的map输入的是一行行的数据， 按照每行数据字母的序号为键(LongWritable)， 行数据为值(Text)
    按照默认情况，我们需要对每行需要进行切割
    1925-11-23 15:23:33 23c 时间YYYY-MM-dd空格HH:mm:ss制表符温度

下面为Mapper

package com.chb.myWeather;

import java.io.IOException;
import java.text.ParseException;
import java.text.SimpleDateFormat;
import java.util.Calendar;
import java.util.Date;

import org.apache.hadoop.io.DoubleWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
/**
 * 输入:
 * 默认的map输入的是一行行的数据， 按照每行数据字母的序号为键(LongWritable)， 行数据为值(Text)
 * 按照默认情况，我们需要对每行需要进行切割
 * 1925-11-23 15:23:33  23c  时间YYYY-MM-dd空格HH:mm:ss制表符温度
 * 输出:
 * mapper的输出是使用自定key, 
 */
public class MyMapper extends Mapper {
    SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss");
    @Override
    protected void map(Text key, Text value, Context context)
            throws IOException, InterruptedException {
        try {
            Date date = sdf.parse(key.toString());
            Calendar c = Calendar.getInstance();
            c.setTime(date);
            int year = c.get(Calendar.YEAR);
            int month =c.get(Calendar.MONTH);
            //获取温度
            Double t = Double.parseDouble(value.toString().substring(0, value.toString().length()-1));
            MyKey myKey = new MyKey();
            myKey.setYear(year);
            myKey.setMonth(month);
            myKey.setT(t);
            //输出
            context.write(myKey, new DoubleWritable(t));
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}   

3.3、Shuffler的第一步Partitioner

默认的partitio是根据key的hashcode模reduceTask的数据，现在我们需要将一年的数据交给一个reduce处理， 所以需要按照年份分对应的reduceTask。这些reduceTask可以并行计算，性能就提高了，

• 一年一个分区， 我们数据有多少年这是已知的， 对应reduceTasknums
• 这个分区号与year关联， 通过（yearm-最小年份）%reduceTasknums
• partitiner的输出和map的输出一致
• 由于每个map的输出数据都会执行一次getPartition()， 数据量太大，所以该方法不能设置太复杂。

下面为自定Partitioner

package com.chb.myWeather;

import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.mapreduce.lib.partition.HashPartitioner;

public class MyPartitioner extends HashPartitioner<MyKey, NullWritable>{
    @Override
    public int getPartition(MyKey key, NullWritable value, int numReduceTasks) {
        return (key.getYear()-1949)%numReduceTasks;
    }
}

3.4、shuffler中的Sort

   默认情况下， shuffle中的sort是按照key的字典排序，而我们需要求一个月的前三个温度，这势必会对温度排序，所以我们自定义排序，按照温度的排序,输出的结果就是按照温度排序， 这样我们不用再对温度进行排序， 直接去reduce每组数据的输出数据的前三个。

Sort代码：

package com.chb.myWeather;
import org.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.io.WritableComparator;
public class MySort extends WritableComparator{
    //将自定义的key类加载进行
    public  MySort() {
        super(MyKey.class, true);
    }
    /**
     * 比较两个对象的温度
     */
    @Override
    public int compare(WritableComparable a, WritableComparable b) {
        MyKey k1 = (MyKey)a;
        MyKey k2 = (MyKey)b;
        int  r1 = Integer.compare(k1.getYear(), k2.getYear());
        if (r1 == 0 ) {
            int r2 = Integer.compare(k2.getMonth(), k2.getMonth());
            if (r2 == 0) {
                //前面加一个- 。因为我们是按照温度的降序排序
                return -Double.compare(k1.getT(),k2.getT());
            }else {
                return r2;
            }
        }else {
            return r1;
        }
    }
}

3.5、自定义分组

默认的分区是按照key十分相同，进行分组，如果使用默认分组， 那么就死将一年数据作为一个分组，情况麻烦， 所以我们将按照月份分组，每组输出前三个即可。

分组代码：

package com.chb.myWeather;

import org.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.io.WritableComparator;

/**
 * 自定义分组， 
 * 默认的分组是按照key是否相同，
 */
public class MyGroup extends WritableComparator{
    public MyGroup() {
        super(MyKey.class, true);
    }

    /**
     * 由于分组是按照月份分组，所以在比较是只要比较月份是否相同，
     * 其他略去，做数据过滤
     */
    public int compare(WritableComparable a, WritableComparable b) {
        MyKey k1 = (MyKey)a;
        MyKey k2 = (MyKey)b;
        int r1 = Integer.compare(k1.getYear(), k2.getYear());
        if (r1 == 0) {
            return Integer.compare(k1.getMonth(), k2.getMonth());
        }else {
            return r1;
        }   
    }

}

3.6、ReudceTask

package com.chb.myWeather;

import java.io.IOException;

import org.apache.hadoop.io.DoubleWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

public class MyReducer extends Reducer<MyKey, DoubleWritable, Text, NullWritable>{
    @Override
    protected void reduce(MyKey key, Iterable values, Context context)
            throws IOException, InterruptedException {
        //由于分组是按照月份，自定义排序是按照温度降序
        //所以shuffler执行完的数据，是一个月数据，按照温度的降序排序，
        //所以我们只要获取前三个值，就是一个月份的最高三个温度
        int num = 0;
        for (DoubleWritable dw : values) {
            String msg = key.getYear()+"年"+key.getMonth()+"月"+"\t"+dw.toString();
            //写数据
            context.write(new Text(msg), null);
            if (num==3) {
                break;
            }
        }
    }
}

3.7、执行任务类

代码:

package com.chb.myWeather;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.DoubleWritable;
import org.apache.hadoop.mapred.InputFormat;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.KeyValueTextInputFormat;

public class RunJob {
    public static void main(String[] args) {
        Configuration conf = new Configuration();
        try {
            FileSystem fs = FileSystem.get(conf);

            Job job = Job.getInstance();
            job.setJarByClass(RunJob.class);
            job.setJar("");
            //设置自定义
            job.setMapperClass(MyMapper.class);
            job.setPartitionerClass(MyPartitioner.class);
            job.setSortComparatorClass(MySort.class);
            job.setGroupingComparatorClass(MyGroup.class);
            job.setReducerClass(MyReducer.class);
            //设置Mappper的键值对类型
            job.setMapOutputKeyClass(MyKey.class);
            job.setMapOutputValueClass(DoubleWritable.class);
            //设置reduce数据量
            job.setNumReduceTasks(3);
            //设置输入格式类型
            job.setInputFormatClass(KeyValueTextInputFormat.class);
            //设置输入路径
            FileInputFormat.addInputPath(job, new Path("/user/chb/input/weather"));

            //设置输出
            Path out = new Path("/user/chb/output/weather");
            if (fs.exists(out)) {
                fs.delete(out);
            }
            boolean f = job.waitForCompletion(true);
            if (f) {
                System.out.println("任务执行完成。。。");
            }

        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}