Mapreduce中value集合的二次排序

Hadoop的MapReduce模型支持基于key的排序，即在一次MapReduce之后，结果都是按照key的大小排序的。但是在很多应用情况下，我们需要对映射在一个key下的value集合进行排序，即“secondary sort”。 

    在《hadoop the definate guide》的P227的“secondary sort”章节中，以<year,temperature>为例，在map阶段按照year来分发temperature，在reduce阶段按照同一year对应的temperature大小排序。 

本文以<String, Int>格式为例，先介绍已知类型的二次排序，再介绍泛型<key,value>集合的二次排序。 

设输入为如下的序列对： 

str1 3 

str2 2 

str1 1 

str3 9 

str2 10 

我们期望的输出结果为： 

str1 1,3 

str2 2,10 

str3 9 

1 value集合的二次排序 

（1）先定义一个TextInt类，将String及int对象封装为一个整体。由于TextInt在mapreduce中要作为key进行比较，必须实现WritableComparable接口。如下： 

public class TextInt implements WritableComparable<TextInt>{ 



private String text ; 

private int value; 

public TextInt(){} 

public TextInt(String text , int value){ 

this.text = text; 

this.value = value; 

} 

public String getFirst(){ 

return this.text; 

} 

public int getSecond(){ 

return this.value; 

} 

@Override 

public void readFields(DataInput in) throws IOException { 

text = in.readUTF(); 

value = in.readInt(); 

} 

@Override 

public void write(DataOutput out) throws IOException { 

out.writeUTF(text); 

out.writeInt(value); 

} 

@Override 

public int compareTo(TextInt that) { 

return this.text.compareTo(that.text); 

} 



} 

（2）我们用KeyValueTextInputFormat的方式来读取输入文件，以tab等分割符切分输入的<key,value>对，key，value都是Text类型。所以在mapper阶段需要把将value还原到int数据，同时封装String及int为TextInt； 

@Override 

public void map(Text key, Text value, OutputCollector<TextInt,IntWritable> output, Reporter reporter) throws IOException { 

int intValue = Integer.parseInt(value.toString()); 

TextInt ti = new TextInt(key.toString(), intValue); 

output.collect(ti, new IntWritable(intValue)); 

} 

（3）在reduce阶段，为了方便查看输出数据，我们把同一个string对应的int数据封装在一起，如下： 

@Override 

public void reduce(TextInt key, Iterator<IntWritable> values, 

OutputCollector<Text, Text> output, Reporter reporter) 

throws IOException { 

StringBuffer combineValue = new StringBuffer(); 

while( values.hasNext()){ 

int value = values.next().get(); 

combineValue.append(value + ","); 

} 

output.collect(new Text(key.getFirst()),newText(combineValue.toString())); 

} 

（4）上面的map及reduce跟普通的mapreduce没什么区别，很容易理解，但真正实现二次排序的是以下两个comparator及一个partitioner。 

1)TextIntComparator：先比较TextInt的String，再比较value； 

public static class TextIntComparator extends WritableComparator{ 

public TextIntComparator(){ 

super(TextInt.class, true); //注册comparator 

} 

@Override 

public int compare(WritableComparable a, WritableComparable b) { 

TextInt o1 = (TextInt)a; 

TextInt o2 = (TextInt)b; 

if ( !o1.getFirst().equals(o2.getFirst())){ 

return o1.getFirst().compareTo(o2.getFirst()); 

} 

else{ 

return o1.getSecond() - o2.getSecond(); 

} 

}} 

2)TextComparator: 只比较TextInt中的String。 

public static class TextComparator extends WritableComparator{ 

public TextComparator(){ 

super(TextInt.class, true); 

} 

@Override 

public int compare(WritableComparable a, WritableComparable b) { 

TextInt o1 = (TextInt)a; 

TextInt o2 = (TextInt)b; 

return o1.getFirst().compareTo(o2.getFirst()); 

} 

} 

3) PartitionByText：根据TextInt中的String来分割TextInt对象： 

public static class PartitionByText implementsPartitioner<TextInt, IntWritable>{ 

@Override 

public int getPartition(TextInt key, IntWritable value, intnumPartitions) { 

return (key.getFirst().hashCode() & Integer.MAX_VALUE) %numPartitions; 

} 

@Override 

public void configure(JobConf job) {} 

} 

（5）OK，基础工作都完成了，现在看实际的job调用： 

//……define input & output 

//定义Job 

JobConf conf = new JobConf(Join.class); 

conf.setJobName("sort by value"); 

//add inputpath: 

FileInputFormat.addInputPath(conf, new Path(input)); 

conf.setInputFormat(KeyValueTextInputFormat.class); 

conf.setMapperClass(Mapper.class);

conf.setMapOutputKeyClass(TextInt.class); 

conf.setMapOutputValueClass(IntWritable.class); 

conf.setOutputKeyComparatorClass(TextIntComparator.class); 

conf.setOutputValueGroupingComparator(TextComparator.class);

conf.setPartitionerClass(PartitionByText.class); 

conf.setOutputKeyClass(Text.class); 

conf.setOutputValueClass(Text.class); 

conf.setReducerClass(Reduce.class); 

conf.setOutputFormat(TextOutputFormat.class); 

//output 

FileOutputFormat.setOutputPath(conf, new Path(output)); 

JobClient.runJob(conf); 

通过上面的job执行，在output的文件中，就能看到类似的输出结果了： 

str1 1,3 

str2 2,10 

str3 9 

上面介绍了如何实现，在“知其然”的基础上，我们进一步“知其所以然”。首先，我们需要把相同string的int数据分发到同一个reducer，这就是PartitionByText的作用；其次，用TextComparator控制reduce阶段int数据集合的group，即把相同的string对应的int数据组装在一起；最后，用TextIntComparator实现在reduce阶段的排列方式。 

2 泛型value的二次排序 

在上一个章节中，将已知类型的key和value封装成TextInt对象，然后做二次排序。在很多情况下，我们需要对不同类型的key或value做二次排序，或者value是一个二元组/多元组，实现多级的排序，这时可以使用泛型的key或value。 

定义泛型的key/value组合对象，key和value均要实现WritableComparable接口。 

public static class CombinedObject implements WritableComparable{private static Configuration conf = new Configuration(); 

private Class<? extends WritableComparable> firstClass; 

private Class<? extends WritableComparable> secondClass; 

private WritableComparable first ; 

private WritableComparable second; 

public CombinedObject(){ } 

public CombinedObject(Class<? extends WritableComparable>keyClass, Class<? extends WritableComparable> valueClass){ 

if (keyClass == null || valueClass == null) { 

throw new IllegalArgumentException("nullvalueClass"); 

} 

this.firstClass = keyClass; 

this.secondClass = valueClass; 

first = ReflectionUtils.newInstance(firstClass, conf); 

second = ReflectionUtils.newInstance(secondClass, conf); 

} 

public CombinedObject(WritableComparable f, WritableComparables){ 

this(f.getClass(), s.getClass()); 

setFirst(f); 

setSecond(s); 

} 

public void setFirst(WritableComparable key){ 

this.first =key; 

} 

public void setSecond(WritableComparable value){ 

this.second = value; 

} 

public WritableComparable getFirst(){ 

return this.first; 

} 

@Override 

public void readFields(DataInput in) throws IOException { 

String firstClassName = in.readUTF(); 

String secondClassName = in.readUTF(); 

firstClass = (Class<? extends WritableComparable>)WritableName.getClass(firstClassName, conf); 

secondClass = (Class<? extends WritableComparable>)WritableName.getClass(secondClassName, conf); 

first = ReflectionUtils.newInstance(firstClass, conf); 

second = ReflectionUtils.newInstance(secondClass, conf); 

first.readFields(in); 

second.readFields(in); 

} 

@Override 

public void write(DataOutput out) throws IOException { 

out.writeUTF(firstClass.getName()); 

out.writeUTF(secondClass.getName()); 

first.write(out); 

second.write(out); 

} 

@Override 

public boolean equals(Object o) { 

if( o instanceof CombinedObject){ 

CombinedObject that = (CombinedObject)o; 

return that.first.equals(this.first); 

} 

return false; 

} 

@Override 

public int hashCode() { 

return first.hashCode(); 

} 

@Override 

public int compareTo(Object o) { 

CombinedObject that = (CombinedObject)o; 

return that.first.compareTo(this.first); 

} 

} 

注意： 

在Writable接口的write(DataOutputout)及readFields(DataInput in)函数中，需要考虑firstClass及secondClass的序列化及反序列化。 

在comparator接口的equal,hashCode,compareTo三个具体实现中，只考虑first的比较即可。 

KeyComparator：只比较first 

public static class KeyComparator extends WritableComparator{ 

public KeyComparator(){ 

super(CombinedObject.class, true); 

} 

@Override 

public int compare(WritableComparable a, WritableComparable b) { 

CombinedObject o1 = (CombinedObject)a; 

CombinedObject o2 = (CombinedObject)b; 

return o1.first.compareTo(o2.first); 

} 

} 

KeyValueComparator:比较first之后，再比较second。 

public static class KeyValueComparator extends WritableComparator{ 

public KeyValueComparator(){ 

super(CombinedObject.class, true); 

} 

@Override 

public int compare(WritableComparable a, WritableComparable b) { 

CombinedObject o1 = (CombinedObject)a; 

CombinedObject o2 = (CombinedObject)b; 

if ( !o1.first.equals(o2.first)){ 

return o1.first.compareTo(o2.first); 

} else{ 

return o2.second.compareTo(o1.second); //descend 

} 

} 

} 

KeyPartitioner：根据first来分发CombinedObject。 

public static class KeyPartitioner implementsPartitioner<CombinedObject, Writable>{ 

@Override 

public int getPartition(CombinedObject key, Writable value, intnumPartitions) { 

return (key.getFirst().hashCode() & Integer.MAX_VALUE) %numPartitions; 

} 

@Override 

public void configure(JobConf job) { } 

} 

具体的调用方式: 

job.setMapperClass(ContentMapper.class); 

job.setMapOutputKeyClass(CombinedObject.class); 

// sort value list 

job.setOutputKeyComparatorClass(KeyValueComparator.class); 

job.setOutputValueGroupingComparator(KeyComparator.class); 

job.setPartitionerClass(KeyPartitioner.class); 

job.setReducerClass(SameInfoReducer.class); 

在这个章节介绍了对泛型的key和value的二次排序，可以设计更多组合形式的<key,value>的排序，也可以自定义多元组构成value，实现更多灵活的排序方式。

本文转自《hadoop开发者》第二期。