Hadoop MapReduce 二次排序原理及其应用
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
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<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 ：
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：
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：
1 package SecondarySort; 2 3 import java.io.DataInput; 4 import java.io.DataOutput; 5 import java.io.IOException; 6 import org.apache.hadoop.conf.Configuration; 7 import org.apache.hadoop.fs.FileSystem; 8 import org.apache.hadoop.fs.Path; 9 import org.apache.hadoop.io.LongWritable; 10 import org.apache.hadoop.io.Text; 11 import org.apache.hadoop.io.WritableComparable; 12 import org.apache.hadoop.io.WritableComparator; 13 import org.apache.hadoop.mapreduce.Job; 14 import org.apache.hadoop.mapreduce.Mapper; 15 import org.apache.hadoop.mapreduce.Partitioner; 16 import org.apache.hadoop.mapreduce.Reducer; 17 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 18 import org.apache.hadoop.mapreduce.lib.input.TextInputFormat; 19 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 20 import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat; 21 22 public class SecondarySort 23 { 24 //自己定义的key类应该实现WritableComparable接口 25 public static class IntPair implements WritableComparable<IntPair> 26 { 27 String first; 28 String second; 29 /** 30 * Set the left and right values. 31 */ 32 public void set(String left, String right) 33 { 34 first = left; 35 second = right; 36 } 37 public String getFirst() 38 { 39 return first; 40 } 41 public String getSecond() 42 { 43 return second; 44 } 45 //反序列化，从流中的二进制转换成IntPair 46 public void readFields(DataInput in) throws IOException 47 { 48 first = in.readUTF(); 49 second = in.readUTF(); 50 } 51 //序列化，将IntPair转化成使用流传送的二进制 52 public void write(DataOutput out) throws IOException 53 { 54 out.writeUTF(first); 55 out.writeUTF(second); 56 } 57 //重载 compareTo 方法，进行组合键 key 的比较，该过程是默认行为。 58 //分组后的二次排序会隐式调用该方法。 59 public int compareTo(IntPair o) 60 { 61 if (!first.equals(o.first) ) 62 { 63 return first.compareTo(o.first); 64 } 65 else if (!second.equals(o.second)) 66 { 67 return second.compareTo(o.second); 68 } 69 else 70 { 71 return 0; 72 } 73 } 74 75 //新定义类应该重写的两个方法 76 //The hashCode() method is used by the HashPartitioner (the default partitioner in MapReduce) 77 public int hashCode() 78 { 79 return first.hashCode() * 157 + second.hashCode(); 80 } 81 public boolean equals(Object right) 82 { 83 if (right == null) 84 return false; 85 if (this == right) 86 return true; 87 if (right instanceof IntPair) 88 { 89 IntPair r = (IntPair) right; 90 return r.first.equals(first) && r.second.equals(second) ; 91 } 92 else 93 { 94 return false; 95 } 96 } 97 } 98 /** 99 * 分区函数类。根据first确定Partition。 100 */ 101 public static class FirstPartitioner extends Partitioner<IntPair, Text> 102 { 103 public int getPartition(IntPair key, Text value,int numPartitions) 104 { 105 return Math.abs(key.getFirst().hashCode() * 127) % numPartitions; 106 } 107 } 108 109 /** 110 * 分组函数类。只要first相同就属于同一个组。 111 */ 112 /*//第一种方法，实现接口RawComparator 113 public static class GroupingComparator implements RawComparator<IntPair> { 114 public int compare(IntPair o1, IntPair o2) { 115 int l = o1.getFirst(); 116 int r = o2.getFirst(); 117 return l == r ? 0 : (l < r ? -1 : 1); 118 } 119 //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。 120 public int compare(byte[] b1, int s1, int l1, byte[] b2, int s2, int l2){ 121 return WritableComparator.compareBytes(b1, s1, Integer.SIZE/8, 122 b2, s2, Integer.SIZE/8); 123 } 124 }*/ 125 //第二种方法，继承WritableComparator 126 public static class GroupingComparator extends WritableComparator 127 { 128 protected GroupingComparator() 129 { 130 super(IntPair.class, true); 131 } 132 //Compare two WritableComparables. 133 // 重载 compare：对组合键按第一个自然键排序分组 134 public int compare(WritableComparable w1, WritableComparable w2) 135 { 136 IntPair ip1 = (IntPair) w1; 137 IntPair ip2 = (IntPair) w2; 138 String l = ip1.getFirst(); 139 String r = ip2.getFirst(); 140 return l.compareTo(r); 141 } 142 } 143 144 145 // 自定义map 146 public static class Map extends Mapper<LongWritable, Text, IntPair, Text> 147 { 148 private final IntPair keyPair = new IntPair(); 149 String[] lineArr = null; 150 public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException 151 { 152 String line = value.toString(); 153 lineArr = line.split("\t", -1); 154 keyPair.set(lineArr[0], lineArr[1]); 155 context.write(keyPair, value); 156 } 157 } 158 // 自定义reduce 159 // 160 public static class Reduce extends Reducer<IntPair, Text, Text, Text> 161 { 162 private static final Text SEPARATOR = new Text("------------------------------------------------"); 163 164 public void reduce(IntPair key, Iterable<Text> values,Context context) throws IOException, InterruptedException 165 { 166 context.write(SEPARATOR, null); 167 for (Text val : values) 168 { 169 context.write(null, val); 170 } 171 } 172 } 173 174 public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException 175 { 176 // 读取hadoop配置 177 Configuration conf = new Configuration(); 178 // 实例化一道作业 179 Job job = new Job(conf, "secondarysort"); 180 job.setJarByClass(SecondarySort.class); 181 // Mapper类型 182 job.setMapperClass(Map.class); 183 // 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 184 //job.setCombinerClass(Reduce.class); 185 // Reducer类型 186 job.setReducerClass(Reduce.class); 187 // 分区函数 188 job.setPartitionerClass(FirstPartitioner.class); 189 // 分组函数 190 job.setGroupingComparatorClass(GroupingComparator.class); 191 192 // map 输出Key的类型 193 job.setMapOutputKeyClass(IntPair.class); 194 // map输出Value的类型 195 job.setMapOutputValueClass(Text.class); 196 // rduce输出Key的类型，是Text，因为使用的OutputFormatClass是TextOutputFormat 197 job.setOutputKeyClass(Text.class); 198 // rduce输出Value的类型 199 job.setOutputValueClass(Text.class); 200 201 // 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。 202 job.setInputFormatClass(TextInputFormat.class); 203 // 提供一个RecordWriter的实现，负责数据输出。 204 job.setOutputFormatClass(TextOutputFormat.class); 205 206 // 输入hdfs路径 207 FileInputFormat.setInputPaths(job, new Path(args[0])); 208 // 输出hdfs路径 209 FileSystem.get(conf).delete(new Path(args[1]), true); 210 FileOutputFormat.setOutputPath(job, new Path(args[1])); 211 // 提交job 212 System.exit(job.waitForCompletion(true) ? 0 : 1); 213 } 214 }
5 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：
01 |
cookieId time url |
02 |
2 12:12:34 2_hao123 |
03 |
3 09:10:34 3_baidu |
04 |
1 15:02:41 1_google |
05 |
3 22:11:34 3_sougou |
06 |
1 19:10:34 1_baidu |
07 |
2 15:02:41 2_google |
08 |
1 12:12:34 1_hao123 |
09 |
3 23:10:34 3_soso |
10 |
2 05:02:41 2_google |
11 |
12 |
结果： |
13 |
------------------------------------------------ |
14 |
1 12:12:34 1_hao123 |
15 |
1 15:02:41 1_google |
16 |
1 19:10:34 1_baidu |
17 |
------------------------------------------------ |
18 |
2 05:02:41 2_google |
19 |
2 12:12:34 2_hao123 |
20 |
2 15:02:41 2_google |
21 |
------------------------------------------------ |
22 |
3 09:10:34 3_baidu |
23 |
3 22:11:34 3_sougou |
24 |
3 23:10:34 3_soso |
7 原理图（点击查看大图）：
reference:
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
Simple Moving 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