如何使用Hadoop的Partitioner

如何使用Hadoop的Partitioner

博客分类： 
• Hadoop

hadoop partition

Hadoop里面的MapReduce编程模型，非常灵活，大部分环节我们都可以重写它的API，来灵活定制我们自己的一些特殊需求。 

今天散仙要说的这个分区函数Partitioner，也是一样如此，下面我们先来看下Partitioner的作用： 
对map端输出的数据key作一个散列，使数据能够均匀分布在各个reduce上进行后续操作，避免产生热点区。 
Hadoop默认使用的分区函数是Hash Partitioner，源码如下： 

 /**
  * Licensed to the Apache Software Foundation (ASF) under one
  * or more contributor license agreements.  See the NOTICE file
  * distributed with this work for additional information
  * regarding copyright ownership.  The ASF licenses this file
  * to you under the Apache License, Version 2.0 (the
  * "License"); you may not use this file except in compliance
  * with the License.  You may obtain a copy of the License at
  *
  *     http://www.apache.org/licenses/LICENSE-2.0
  *
  * Unless required by applicable law or agreed to in writing, software
  * distributed under the License is distributed on an "AS IS" BASIS,
  * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
  * See the License for the specific language governing permissions and
  * limitations under the License.
  */

 package org.apache.hadoop.mapreduce.lib.partition;

 import org.apache.hadoop.mapreduce.Partitioner;

 /** Partition keys by their {@link Object#hashCode()}. */
 public class HashPartitioner<K, V> extends Partitioner<K, V> {

   /** Use {@link Object#hashCode()} to partition. */
   public int getPartition(K key, V value,
                           int numReduceTasks) {
       //默认使用key的hash值与上int的最大值，避免出现数据溢出 的情况
     return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;
   }

 }

大部分情况下，我们都会使用默认的分区函数，但有时我们又有一些，特殊的需求，而需要定制Partition来完成我们的业务，案例如下： 
对如下数据，按字符串的长度分区，长度为1的放在一个，2的一个，3的各一个。 

 河南省;1
 河南;2
 中国;3
 中国人;4
 大;1
 小;3
 中;11

这时候，我们使用默认的分区函数，就不行了，所以需要我们定制自己的Partition，首先分析下，我们需要3个分区输出，所以在设置reduce的个数时，一定要设置为3，其次在partition里，进行分区时，要根据长度具体分区，而不是根据字符串的hash码来分区。核心代码如下： 

 /**
  * Partitioner
  *
  *
  * */
  public static class PPartition extends Partitioner<Text, Text>{
     @Override
     public int getPartition(Text arg0, Text arg1, int arg2) {
          /**
           * 自定义分区，实现长度不同的字符串，分到不同的reduce里面
           *
           * 现在只有3个长度的字符串，所以可以把reduce的个数设置为3
           * 有几个分区，就设置为几
           * */

         String key=arg0.toString();
         if(key.length()==1){
             return 1%arg2;
         }else if(key.length()==2){
             return 2%arg2;
         }else if(key.length()==3){
             return 3%arg2;
         }



         return  0;
     }




  }

全部代码如下： 

 package com.partition.test;

 import java.io.IOException;

 import org.apache.hadoop.fs.FileSystem;
 import org.apache.hadoop.fs.Path;
 import org.apache.hadoop.io.LongWritable;
 import org.apache.hadoop.io.Text;
 import org.apache.hadoop.mapred.JobConf;
 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.db.DBConfiguration;
 import org.apache.hadoop.mapreduce.lib.db.DBInputFormat;
 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
 import org.apache.hadoop.mapreduce.lib.output.MultipleOutputs;
 import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;

 import com.qin.operadb.PersonRecoder;
 import com.qin.operadb.ReadMapDB;


 /**
  * @author qindongliang
  *
  * 大数据交流群：376932160
  *
  *
  * **/
 public class MyTestPartition {

     /**
      * map任务
      *
      * */
     public static class PMapper extends Mapper<LongWritable, Text, Text, Text>{

         @Override
         protected void map(LongWritable key, Text value,Context context)
                 throws IOException, InterruptedException {
             // System.out.println("进map了");
             //mos.write(namedOutput, key, value);
             String ss[]=value.toString().split(";");

             context.write(new Text(ss[0]), new Text(ss[1]));



         }


     }

     /**
      * Partitioner
      *
      *
      * */
      public static class PPartition extends Partitioner<Text, Text>{
         @Override
         public int getPartition(Text arg0, Text arg1, int arg2) {
              /**
               * 自定义分区，实现长度不同的字符串，分到不同的reduce里面
               *
               * 现在只有3个长度的字符串，所以可以把reduce的个数设置为3
               * 有几个分区，就设置为几
               * */

             String key=arg0.toString();
             if(key.length()==1){
                 return 1%arg2;
             }else if(key.length()==2){
                 return 2%arg2;
             }else if(key.length()==3){
                 return 3%arg2;
             }



             return  0;
         }




      }


      /***
       * Reduce任务
       *
       * **/
      public static class PReduce extends Reducer<Text, Text, Text, Text>{
          @Override
         protected void reduce(Text arg0, Iterable<Text> arg1, Context arg2)
                 throws IOException, InterruptedException {

               String key=arg0.toString().split(",")[0];
              System.out.println("key==> "+key);
              for(Text t:arg1){
                  //System.out.println("Reduce:  "+arg0.toString()+"   "+t.toString());
                  arg2.write(arg0, t);
              }


         }



      }


      public static void main(String[] args) throws Exception{
          JobConf conf=new JobConf(ReadMapDB.class);
          //Configuration conf=new Configuration();
          conf.set("mapred.job.tracker","192.168.75.130:9001");
         //读取person中的数据字段
          conf.setJar("tt.jar");
         //注意这行代码放在最前面，进行初始化，否则会报


         /**Job任务**/
         Job job=new Job(conf, "testpartion");
         job.setJarByClass(MyTestPartition.class);
         System.out.println("模式：  "+conf.get("mapred.job.tracker"));;
         // job.setCombinerClass(PCombine.class);
          job.setPartitionerClass(PPartition.class);

          job.setNumReduceTasks(3);//设置为3
          job.setMapperClass(PMapper.class);
         // MultipleOutputs.addNamedOutput(job, "hebei", TextOutputFormat.class, Text.class, Text.class);
         // MultipleOutputs.addNamedOutput(job, "henan", TextOutputFormat.class, Text.class, Text.class);
          job.setReducerClass(PReduce.class);
          job.setOutputKeyClass(Text.class);
          job.setOutputValueClass(Text.class);

         String path="hdfs://192.168.75.130:9000/root/outputdb";
         FileSystem fs=FileSystem.get(conf);
         Path p=new Path(path);
         if(fs.exists(p)){
             fs.delete(p, true);
             System.out.println("输出路径存在，已删除！");
         }
         FileInputFormat.setInputPaths(job, "hdfs://192.168.75.130:9000/root/input");
         FileOutputFormat.setOutputPath(job,p );
         System.exit(job.waitForCompletion(true) ? 0 : 1);


     }



 }

运行情况如下： 

 模式：  192.168.75.130:9001
 输出路径存在，已删除！
 WARN - JobClient.copyAndConfigureFiles(746) | Use GenericOptionsParser for parsing the arguments. Applications should implement Tool for the same.
 INFO - FileInputFormat.listStatus(237) | Total input paths to process : 1
 WARN - NativeCodeLoader.<clinit>(52) | Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
 WARN - LoadSnappy.<clinit>(46) | Snappy native library not loaded
 INFO - JobClient.monitorAndPrintJob(1380) | Running job: job_201404101853_0005
 INFO - JobClient.monitorAndPrintJob(1393) |  map 0% reduce 0%
 INFO - JobClient.monitorAndPrintJob(1393) |  map 100% reduce 0%
 INFO - JobClient.monitorAndPrintJob(1393) |  map 100% reduce 11%
 INFO - JobClient.monitorAndPrintJob(1393) |  map 100% reduce 22%
 INFO - JobClient.monitorAndPrintJob(1393) |  map 100% reduce 55%
 INFO - JobClient.monitorAndPrintJob(1393) |  map 100% reduce 100%
 INFO - JobClient.monitorAndPrintJob(1448) | Job complete: job_201404101853_0005
 INFO - Counters.log(585) | Counters: 29
 INFO - Counters.log(587) |   Job Counters
 INFO - Counters.log(589) |     Launched reduce tasks=3
 INFO - Counters.log(589) |     SLOTS_MILLIS_MAPS=7422
 INFO - Counters.log(589) |     Total time spent by all reduces waiting after reserving slots (ms)=0
 INFO - Counters.log(589) |     Total time spent by all maps waiting after reserving slots (ms)=0
 INFO - Counters.log(589) |     Launched map tasks=1
 INFO - Counters.log(589) |     Data-local map tasks=1
 INFO - Counters.log(589) |     SLOTS_MILLIS_REDUCES=30036
 INFO - Counters.log(587) |   File Output Format Counters
 INFO - Counters.log(589) |     Bytes Written=61
 INFO - Counters.log(587) |   FileSystemCounters
 INFO - Counters.log(589) |     FILE_BYTES_READ=93
 INFO - Counters.log(589) |     HDFS_BYTES_READ=179
 INFO - Counters.log(589) |     FILE_BYTES_WRITTEN=218396
 INFO - Counters.log(589) |     HDFS_BYTES_WRITTEN=61
 INFO - Counters.log(587) |   File Input Format Counters
 INFO - Counters.log(589) |     Bytes Read=68
 INFO - Counters.log(587) |   Map-Reduce Framework
 INFO - Counters.log(589) |     Map output materialized bytes=93
 INFO - Counters.log(589) |     Map input records=7
 INFO - Counters.log(589) |     Reduce shuffle bytes=93
 INFO - Counters.log(589) |     Spilled Records=14
 INFO - Counters.log(589) |     Map output bytes=61
 INFO - Counters.log(589) |     Total committed heap usage (bytes)=207491072
 INFO - Counters.log(589) |     CPU time spent (ms)=2650
 INFO - Counters.log(589) |     Combine input records=0
 INFO - Counters.log(589) |     SPLIT_RAW_BYTES=111
 INFO - Counters.log(589) |     Reduce input records=7
 INFO - Counters.log(589) |     Reduce input groups=7
 INFO - Counters.log(589) |     Combine output records=0
 INFO - Counters.log(589) |     Physical memory (bytes) snapshot=422174720
 INFO - Counters.log(589) |     Reduce output records=7
 INFO - Counters.log(589) |     Virtual memory (bytes) snapshot=2935713792
 INFO - Counters.log(589) |     Map output records=7

运行后的结果文件如下： 
 

其中，part-r-000000里面的数据 

 中国人 4
 河南省 1

其中，part-r-000001里面的数据 

 中   11
 大   1
 小   3

其中，part-r-000002里面的数据

 中国  3
 河南  2

至此，我们使用自定义的分区策略完美的实现了，数据分区了。 


总结：引用一段话 

   (Partition)分区出现的必要性，如何使用Hadoop产生一个全局排序的文件？最简单的方法就是使用一个分区，但是该方法在处理大型文件时效率极低，因为一台机器必须处理所有输出文件，从而完全丧失了MapReduce所提供的并行架构的优势。事实上我们可以这样做，首先创建一系列排好序的文件；其次，串联这些文件（类似于归并排序）；最后得到一个全局有序的文件。主要的思路是使用一个partitioner来描述全局排序的输出。比方说我们有1000个1-10000的数据，跑10个ruduce任务， 如果我们运行进行partition的时候，能够将在1-1000中数据的分配到第一个reduce中，1001-2000的数据分配到第二个reduce中，以此类推。即第n个reduce所分配到的数据全部大于第n-1个reduce中的数据。这样，每个reduce出来之后都是有序的了，我们只要cat所有的输出文件，变成一个大的文件，就都是有序的了 

基本思路就是这样，但是现在有一个问题，就是数据的区间如何划分，在数据量大，还有我们并不清楚数据分布的情况下。一个比较简单的方法就是采样，假如有一亿的数据，我们可以对数据进行采样，如取10000个数据采样，然后对采样数据分区间。在Hadoop中，patition我们可以用TotalOrderPartitioner替换默认的分区。然后将采样的结果传给他，就可以实现我们想要的分区。在采样时，我们可以使用hadoop的几种采样工具，RandomSampler,InputSampler,IntervalSampler。 

       这样，我们就可以对利用分布式文件系统进行大数据量的排序了，我们也可以重写Partitioner类中的compare函数，来定义比较的规则，从而可以实现字符串或其他非数字类型的排序，也可以实现二次排序乃至多次排序。