Hadoop中Partition的定制

1.解析Partition

Map的结果，会通过partition分发到Reducer上，Reducer做完Reduce操作后，通过OutputFormat，进行输出，下面我们就来分析参与这个过程的类。

Mapper的结果，可能送到Combiner做合并，Combiner在系统中并没有自己的基类，而是用Reducer作为Combiner的基类，他们对外的功能是一样的，只是使用的位置和使用时的上下文不太一样而已。Mapper最终处理的键值对<key, value>，是需要送到Reducer去合并的，合并的时候，有相同key的键/值对会送到同一个Reducer那。哪个key到哪个Reducer的分配过程，是由Partitioner规定的。它只有一个方法，

 getPartition(Text key, Text value, int numPartitions)

输入是Map的结果对<key, value>和Reducer的数目，输出则是分配的Reducer（整数编号）。就是指定Mappr输出的键值对到哪一个reducer上去。系统缺省的Partitioner是HashPartitioner，它以key的Hash值对Reducer的数目取模，得到对应的Reducer。这样保证如果有相同的key值，肯定被分配到同一个reducre上。如果有N个reducer，编号就为0,1,2,3……(N-1)。

Reducer是所有用户定制Reducer类的基类，和Mapper类似，它也有setup，reduce，cleanup和run方法，其中setup和cleanup含义和Mapper相同，reduce是真正合并Mapper结果的地方，它的输入是key和这个key对应的所有value的一个迭代器，同时还包括Reducer的上下文。系统中定义了两个非常简单的Reducer，IntSumReducer和LongSumReducer，分别用于对整形/长整型的value求和。

Reduce的结果，通过Reducer.Context的方法collect输出到文件中，和输入类似，Hadoop引入了OutputFormat。OutputFormat依赖两个辅助接口：RecordWriter和OutputCommitter，来处理输出。RecordWriter提供了write方法，用于输出<key, value>和close方法，用于关闭对应的输出。OutputCommitter提供了一系列方法，用户通过实现这些方法，可以定制OutputFormat生存期某些阶段需要的特殊操作。我们在TaskInputOutputContext中讨论过这些方法（明显，TaskInputOutputContext是OutputFormat和Reducer间的桥梁）。OutputFormat和RecordWriter分别对应着InputFormat和RecordReader，系统提供了空输出NullOutputFormat（什么结果都不输出，NullOutputFormat.RecordWriter只是示例，系统中没有定义），LazyOutputFormat（没在类图中出现，不分析），FilterOutputFormat（不分析）和基于文件FileOutputFormat的SequenceFileOutputFormat和TextOutputFormat输出。

基于文件的输出FileOutputFormat利用了一些配置项配合工作，包括:
mapred.output.compress：是否压缩；
mapred.output.compression.codec：压缩方法；
mapred.output.dir：输出路径；
mapred.work.output.dir：输出工作路径。
FileOutputFormat还依赖于FileOutputCommitter，通过FileOutputCommitter提供一些和Job，Task相关的临时文件管理功能。如FileOutputCommitter的setupJob，会在输出路径下创建一个名为_temporary的临时目录，cleanupJob则会删除这个目录。
SequenceFileOutputFormat输出和TextOutputFormat输出分别对应输入的SequenceFileInputFormat和TextInputFormat。

2.代码实例

 package org.apache.hadoop.examples;

 import java.io.IOException;
 import java.util.*;
 import org.apache.hadoop.fs.Path;
 import org.apache.hadoop.conf.*;
 import org.apache.hadoop.io.*;
 import org.apache.hadoop.mapred.*;
 import org.apache.hadoop.util.*;

 /**
  * 输入文本，以tab间隔
  * kaka    1       28
  * hua     0       26
  * chao    1
  * tao     1       22
  * mao     0       29      22
  * */

 //Partitioner函数的使用

 public class MyPartitioner {
     // Map函数
     public static class MyMap extends MapReduceBase implements
             Mapper<LongWritable, Text, Text, Text> {
         public void map(LongWritable key, Text value,
                 OutputCollector<Text, Text> output, Reporter reporter)
                 throws IOException {
             String[] arr_value = value.toString().split("\t");
             //测试输出
 //          for(int i=0;i<arr_value.length;i++)
 //          {
 //              System.out.print(arr_value[i]+"\t");
 //          }
 //          System.out.print(arr_value.length);
 //          System.out.println();
             Text word1 = new Text();
             Text word2 = new Text();
             if (arr_value.length > 3) {
                 word1.set("long");
                 word2.set(value);
             } else if (arr_value.length < 3) {
                 word1.set("short");
                 word2.set(value);
             } else {
                 word1.set("right");
                 word2.set(value);
             }
             output.collect(word1, word2);
         }
     }

     public static class MyReduce extends MapReduceBase implements
             Reducer<Text, Text, Text, Text> {
         public void reduce(Text key, Iterator<Text> values,
                 OutputCollector<Text, Text> output, Reporter reporter)
                 throws IOException {
             int sum = 0;
             System.out.println(key);
             while (values.hasNext()) {
                 output.collect(key, new Text(values.next().getBytes()));
             }
         }
     }

     // 接口Partitioner继承JobConfigurable，所以这里有两个override方法
     public static class MyPartitionerPar implements Partitioner<Text, Text> {
         /**
          * getPartition()方法的
          * 输入参数：键/值对<key,value>与reducer数量numPartitions
          * 输出参数：分配的Reducer编号，这里是result
          * */
         @Override
         public int getPartition(Text key, Text value, int numPartitions) {
             // TODO Auto-generated method stub
             int result = 0;
             System.out.println("numPartitions--" + numPartitions);
             if (key.toString().equals("long")) {
                 result = 0 % numPartitions;
             } else if (key.toString().equals("short")) {
                 result = 1 % numPartitions;
             } else if (key.toString().equals("right")) {
                 result = 2 % numPartitions;
             }
             System.out.println("result--" + result);
             return result;
         }

         @Override
         public void configure(JobConf arg0)
         {
             // TODO Auto-generated method stub
         }
     }

     //输入参数：/home/hadoop/input/PartitionerExample /home/hadoop/output/Partitioner
     public static void main(String[] args) throws Exception {
         JobConf conf = new JobConf(MyPartitioner.class);
         conf.setJobName("MyPartitioner");

         //控制reducer数量，因为要分3个区，所以这里设定了3个reducer
         conf.setNumReduceTasks(3);

         conf.setMapOutputKeyClass(Text.class);
         conf.setMapOutputValueClass(Text.class);

         //设定分区类
         conf.setPartitionerClass(MyPartitionerPar.class);

         conf.setOutputKeyClass(Text.class);
         conf.setOutputValueClass(Text.class);

         //设定mapper和reducer类
         conf.setMapperClass(MyMap.class);
         conf.setReducerClass(MyReduce.class);

         conf.setInputFormat(TextInputFormat.class);
         conf.setOutputFormat(TextOutputFormat.class);

         FileInputFormat.setInputPaths(conf, new Path(args[0]));
         FileOutputFormat.setOutputPath(conf, new Path(args[1]));

         JobClient.runJob(conf);
     }
 }