MapReduce案例-1
天气案例：
需求：
找出每个月温度最高的两天
数据集：
1949-10-01 14:21:02 34c
1949-10-01 19:21:02 38c
1949-10-02 14:01:02 36c
1950-01-01 11:21:02 32c
1950-10-01 12:21:02 37c
1951-12-01 12:21:02 23c
1950-10-02 12:21:02 41c
1950-10-03 12:21:02 27c
1951-07-01 12:21:02 45c
1951-07-02 12:21:02 46c
案例分析：
在MR中，原语是“相同”key的键值对为一组，调用一次reduce方法，方法内迭代这组数据计算。
找出每个月气温最高的两天
分组：
年-组
reduce：年 手动找出每个月的气温数据（创建12个list集合/数组）
日-组
月-组
reduce：一个月的所有气温
如何按月分组？
1951-07-03 12:21:03 47c
分组比较器，按key分组
自定义分组比较器：
class MyGroupingComparator extends WritableComparator {
int compare(WritableComparable a, WritableComparable b) {
a和b表示两个key进行比较，key要包含月份和年份
return 0 1 -1;
}
}
nextKeyIsSame boolean排序：
要求在reduce端的一组数据中按温度倒序排序
同年同月的一组
reduce排序，还是map排序？
map端排序，按照温度倒序排序
实现了环形缓冲区
有一个排序溢写的方法：sortAndSpill
该方法如何进行排序的？
注意：sorter.sort，此处默认使用快排进行排序
默认情况下，sorter就是快排：QuickSort。
s也就是MapOutputBuffer.this。该对象有一个compare方法，因为上图中有一个s.compare方法
看一下MapOutputBuffer如何实现的compare方法：
该compare方法首先按照分区号排序，相同分区号的按照key的字典序排序。
而按照key进行排序的时候，使用的是comparator的compare方法
comparator是谁？
上图中的方法返回值就是该比较器
上述方法返回的是什么比较器？
ctrl+alt+b
getOutputKeyComparator方法要么返回我们自定义的，要么返回WritableComparator的get方法返回的比较器。
自己没有设置过，所以肯定是WwritableComparator的get返回值。
如果自己设置，job.setSortComparatorClass(MySortComparator.class)
如何实现的set？
设置的时候用的是setOutputKeyComparatorClass，使用的时候用getOutputKeyComparator方法
上图中，假如用户自定义的key，则要求该key提供排序比较器。
该比较器如何提供？
WritableComparator类的get方法用到了HashMap：comparators，该map的key是MR map输出key的类型：Text.class，value是MR的map输出key类型的比较器对象。comparators中的元素是如何放进去的？何时放进去的？
比如说Text.class
Text类的静态块负责将Text.class作为key，将Text自己提供的比较器对象作为value调用了一次WritableComparator的define方法。
define做了什么？
如果自己提供一个key，如何实现？
package com.bjsxt.mr.weather;
import org.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.io.WritableComparator;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
public class Weather implements WritableComparable {
private Integer year;
private Integer month;
private Integer day;
private Integer temperature;
public Integer getYear() {
return year;
}
public void setYear(Integer year) {
this.year = year;
}
public Integer getMonth() {
return month;
}
public void setMonth(Integer month) {
this.month = month;
}
public Integer getDay() {
return day;
}
public void setDay(Integer day) {
this.day = day;
}
public Integer getTemperature() {
return temperature;
}
public void setTemperature(Integer temperature) {
this.temperature = temperature;
}
@Override
public int compareTo(Weather o) {
return 0;
}
@Override
public void write(DataOutput out) throws IOException {
}
@Override
public void readFields(DataInput in) throws IOException {
}
static class Comparator extends WritableComparator {
public Comparator() {
super(Weather.class, true);
}
@Override
public int compare(WritableComparable a, WritableComparable b) {
Weather wa = (Weather) a;
Weather wb = (Weather) b;
int result = wa.getYear().compareTo(wb.getYear());
if (result == 0) {
result = wa.getMonth().compareTo(wb.getMonth());
if (result == 0) {
// 同年同月的数据，按照温度倒序
// result = wa.getTemperature().compareTo(wb.getTemperature());
result = wb.getTemperature().compareTo(wa.getTemperature());
}
}
return result;
}
}
static {
WritableComparator.define(Weather.class, new Comparator());
}
}
如果第一次没有获取到当前MR的MapOutputKey的比较器，则重新强制执行初始化静态块内容，如果还获取不到，则直接返回WritableComparator对象。
返回的WritableComparator对象本身给getOutputKeyComparator方法返回了。
comparator就是返回的这个WritableComparator对象。
此处的compare方法调用的是哪个？就是WritableComparator的compare方法
该方法最终要调用compare(key1,key2)方法，也就是：
该方法又调用了WritableComparable的compareTo方法，也就是：
该方法做什么用？应该返回什么值？
第二种方式：
package com.bjsxt.mr.weather;
import org.apache.hadoop.io.WritableComparable;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
public class Weather2 implements WritableComparable {
private Integer year;
private Integer month;
private Integer day;
private Integer temperature;
public Integer getYear() {
return year;
}
public void setYear(Integer year) {
this.year = year;
}
public Integer getMonth() {
return month;
}
public void setMonth(Integer month) {
this.month = month;
}
public Integer getDay() {
return day;
}
public void setDay(Integer day) {
this.day = day;
}
public Integer getTemperature() {
return temperature;
}
public void setTemperature(Integer temperature) {
this.temperature = temperature;
}
@Override
public int compareTo(Weather2 that) {
int result = this.getYear().compareTo(that.getYear());
if (result == 0) {
result = this.getMonth().compareTo(that.getMonth());
if (result == 0) {
// 温度倒序
result = that.getTemperature().compareTo(this.getTemperature());
}
}
return result;
}
@Override
public void write(DataOutput out) throws IOException {
// 序列化输出
out.writeInt(year);
out.writeInt(month);
out.writeInt(day);
out.writeInt(temperature);
}
@Override
public void readFields(DataInput in) throws IOException {
//反序列化
setYear(in.readInt());
setMonth(in.readInt());
setDay(in.readInt());
setTemperature(in.readInt());
}
}
map端排序比较器：SortComparator
class MySortComparator extends WritableComparator {
int compare(WritableComparable a, WritableComparable b) {
按照温度倒序排序，但是只有同年同月的数据按照温度倒排才有意义。
按key排序，key需要包含年，月，温度
return 0 1 -1;
}
}
key的设计
map端输出key，包含年/月/温度
如何设计key？
是否可以自定义key？
class MyKey implements WritableComparable {
private Integer year;
private Integer month;
private Integer day;
private Integer wenDu;
// 会被排序比较器覆盖
int compareTo(MyKey other) {
this.wendu.compareTo(other.wendu)
this.year.compareTo(other.year)
this.month.compareTo(other.month) this.day.compareTo(other.day)
return 0 1 -1
}
}
MyMapper extends Mapper {
map{
MyKey mk = new MyKey();
mk.setday
mk.setyear
mk.setmonth
mk.setwendu
context.write(MyKey.obj, value);
}
}
分区器
如何分区？
- 分区保证同组数据在一起
- reduce端负载均衡，数据倾斜
自定义分区器
class MyPartitioner extends Partitioner {
int getPartition(key, value, reduceNum) {
return 1 2 3 4 0;
}
}
提示一
1，MR
*保证原语
怎样划分数据，怎样定义一组
2，k：v映射的设计
考虑reduce的计算复杂度
3，能不能多个reduce
倾斜：抽样
集群资源情况
4，自定义数据类型
提示二
记录特点
每年
每个月
最高
2天
1天多条记录？
进一步思考
年月分组
温度升序
key中要包含时间和温度！
MR原语：相同的key分到一组
通过GroupCompartor设置分组规则
步骤
自定义数据类型Weather
包含时间
包含温度
自定义排序比较规则
自定义分组比较
年月相同被视为相同的key
那么reduce迭代时，相同年月的记录有可能是同一天的，reduce中需要判断是否同一天
注意OOM
数据量很大
全量数据可以切分成最少按一个月份的数据量进行判断
这种业务场景可以设置多个reduce
通过实现partition