mapreduce的二次排序 SecondarySort

关于二次排序主要涉及到这么几个东西：

在0.20.0 以前使用的是

setPartitionerClass 

setOutputkeyComparatorClass

setOutputValueGroupingComparator 

 在0.20.0以后使用是

job.setPartitionerClass(Partitioner p);

job.setSortComparatorClass(RawComparator c);

job.setGroupingComparatorClass(RawComparator c);

 

下面的例子里面只用到了 setGroupingComparatorClass

 

http://blog.csdn.net/heyutao007/article/details/5890103 

 

mr自带的例子中的源码SecondarySort，我重新写了一下，基本没变。

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）

public static class Map extends Mapper<LongWritable, Text, IntPair, IntWritable>
public static class Reduce extends Reducer<IntPair, NullWritable, IntWritable, IntWritable>

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会将文本的一行的行号作为key，这一行的文本作为value。这就是自定义Map的输入是<LongWritable, Text>的原因。然后调用自定义Map的map方法，将一个个<LongWritable, Text>对输入给Map的map方法。注意输出应该符合自定义Map中定义的输出<IntPair, IntWritable>。最终是生成一个List<IntPair, IntWritable>。在map阶段的最后，会先调用job.setPartitionerClass对这个List进行分区，每个分区映射到一个reducer。每个分区内又调用job.setSortComparatorClass设置的key比较函数类排序。可以看到，这本身就是一个二次排序。如果没有通过job.setSortComparatorClass设置key比较函数类，则使用key的实现的compareTo方法。在第一个例子中，使用了IntPair实现的compareTo方法，而在下一个例子中，专门定义了key比较函数类。

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

输入文件

20 21
50 51
50 52
50 53
50 54
60 51
60 53
60 52
60 56
60 57
70 58
60 61
70 54
70 55
70 56
70 57
70 58
1 2
3 4
5 6
7 82
203 21
50 512
50 522
50 53
530 54
40 511
20 53
20 522
60 56
60 57
740 58
63 61
730 54
71 55
71 56
73 57
74 58
12 211
31 42
50 62
7 8

输出：（注意需要分割线）


------------------------------------------------
1       2
------------------------------------------------
3       4
------------------------------------------------
5       6
------------------------------------------------
7       8
7       82
------------------------------------------------
12      211
------------------------------------------------
20      21
20      53
20      522
------------------------------------------------
31      42
------------------------------------------------
40      511
------------------------------------------------
50      51
50      52
50      53
50      53
50      54
50      62
50      512
50      522
------------------------------------------------
60      51
60      52
60      53
60      56
60      56
60      57
60      57
60      61
------------------------------------------------
63      61
------------------------------------------------
70      54
70      55
70      56
70      57
70      58
70      58
------------------------------------------------
71      55
71      56
------------------------------------------------
73      57
------------------------------------------------
74      58
------------------------------------------------
203     21
------------------------------------------------
530     54
------------------------------------------------
730     54
------------------------------------------------
740     58

3  具体步骤：


1 自定义key。

在mr中，所有的key是需要被比较和排序的，并且是二次，先根据partitione，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 partitioner in MapReduce)
public int hashCode()
public boolean equals(Object right)

2 由于key是自定义的，所以还需要自定义一下类：

2.1 分区函数类。这是key的第一次比较。
public static class FirstPartitioner extends Partitioner<IntPair,IntWritable>

在job中设置使用setPartitionerClasss

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。

2.3 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 public int 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

 package secondarySort;

import  java.io.DataInput;
import  java.io.DataOutput;
import  java.io.IOException;
import  java.util.StringTokenizer;
import  org.apache.hadoop.conf.Configuration;
import  org.apache.hadoop.fs.Path;
import  org.apache.hadoop.io.IntWritable;
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;
import  org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import  org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import  org.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  implements  WritableComparable < IntPair >
    {
         int  first;
         int  second;
         /**
         * Set the left and right values.
          */
         public   void  set( int  left,  int  right)
        {
            first  =  left;
            second  =  right;
        }
         public   int  getFirst()
        {
             return  first;
        }
         public   int  getSecond()
        {
             return  second;
        }
        @Override
         // 反序列化，从流中的二进制转换成IntPair
         public   void  readFields(DataInput in)  throws  IOException
        {
             //  TODO Auto-generated method stub
            first  =  in.readInt();
            second  =  in.readInt();
        }
        @Override
         // 序列化，将IntPair转化成使用流传送的二进制
         public   void  write(DataOutput out)  throws  IOException
        {
             //  TODO Auto-generated method stub
            out.writeInt(first);
            out.writeInt(second);
        }
        @Override
         // key的比较
         public   int  compareTo(IntPair o)
        {
             //  TODO Auto-generated method stub
             if  (first  !=  o.first)
            {
                 return  first  <  o.first  ?   - 1  :  1 ;
            }
             else   if  (second  !=  o.second)
            {
                 return  second  <  o.second  ?   - 1  :  1 ;
            }
             else
            {
                 return   0 ;
            }
        }

         // 新定义类应该重写的两个方法
        @Override
         // The hashCode() method is used by the HashPartitioner (the default partitioner in MapReduce)
         public   int  hashCode()
        {
             return  first  *   157   +  second;
        }
        @Override
         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  ==  first  &&  r.second  ==  second;
            }
             else
            {
                 return   false ;
            }
        }
    }
     /**
      * 分区函数类。根据first确定Partition。
       */
     public   static   class  FirstPartitioner  extends  Partitioner < IntPair, IntWritable >
    {
        @Override
         public   int  getPartition(IntPair key, IntWritable value, int  numPartitions)
        {
             return  Math.abs(key.getFirst()  *   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RawComparator
    public static class GroupingComparator implements RawComparator<IntPair> {
        @Override
        public int compare(IntPair o1, IntPair o2) {
            int l = o1.getFirst();
            int r = o2.getFirst();
            return l == r ? 0 : (l < r ? -1 : 1);
        }
        @Override
        //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, int l2){
            // TODO Auto-generated method stub
             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
    {
         protected  GroupingComparator()
        {
             super (IntPair. class ,  true );
        }
        @Override
         // Compare two WritableComparables.
         public   int  compare(WritableComparable w1, WritableComparable w2)
        {
            IntPair ip1  =  (IntPair) w1;
            IntPair ip2  =  (IntPair) w2;
             int  l  =  ip1.getFirst();
             int  r  =  ip2.getFirst();
             return  l  ==  r  ?   0  : (l  <  r  ?   - 1  :  1 );
        }
    }


     //  自定义map
     public   static   class  Map  extends  Mapper < LongWritable, Text, IntPair, IntWritable >
    {
         private   final  IntPair intkey  =   new  IntPair();
         private   final  IntWritable intvalue  =   new  IntWritable();
         public   void  map(LongWritable key, Text value, Context context)  throws  IOException, InterruptedException
        {
            String line  =  value.toString();
            StringTokenizer tokenizer  =   new  StringTokenizer(line);
             int  left  =   0 ;
             int  right  =   0 ;
             if  (tokenizer.hasMoreTokens())
            {
                left  =  Integer.parseInt(tokenizer.nextToken());
                 if  (tokenizer.hasMoreTokens())
                    right  =  Integer.parseInt(tokenizer.nextToken());
                intkey.set(left, right);
                intvalue.set(right);
                context.write(intkey, intvalue);
            }
        }
    }
     //  自定义reduce
     //
     public   static   class  Reduce  extends  Reducer < IntPair, IntWritable, Text, IntWritable >
    {
         private   final  Text left  =   new  Text();
         private   static   final  Text SEPARATOR  =   new  Text( " ------------------------------------------------ " );
        
         public   void  reduce(IntPair key, Iterable < IntWritable >  values,Context context)  throws  IOException, InterruptedException
        {
            context.write(SEPARATOR,  null );
            left.set(Integer.toString(key.getFirst()));
             for  (IntWritable val : values)
            {
                context.write(left, val);
            }
        }
    }
     /**
     *  @param  args
      */
     public   static   void  main(String[] args)  throws  IOException, InterruptedException, ClassNotFoundException
    {
         //  TODO Auto-generated method stub
         //  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<Text, IntWritable>对Reduce的输入类型<IntPair, IntWritable>不适用
         // 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(IntWritable. 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(IntWritable. 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
        FileOutputFormat.setOutputPath(job,  new  Path(args[ 1 ]));
         //  提交job
        System.exit(job.waitForCompletion( true )  ?   0  :  1 );
    }
}