Hadoop中Partition解析 和 storm的grouping

自定义Grouping测试

Storm是支持自定义分组的，本篇文章就是探究Storm如何编写一个自定义分组器，以及对Storm分组器如何分组数据的理解。

这是我写的一个自定义分组，总是把数据分到第一个Task：

public class MyFirstStreamGrouping implements CustomStreamGrouping {
    private static Logger log = LoggerFactory.getLogger(MyFirstStreamGrouping.class);
    private List<Integer> tasks;
    @Override
    public void prepare(WorkerTopologyContext context, GlobalStreamId stream, List<Integer> targetTasks) 
 List<Integer> targetTasks) {
        this.tasks = targetTasks;
        log.info(tasks.toString());
    }
    @Override
    public List<Integer> chooseTasks(int taskId, List<Object> values) {
        log.info(values.toString());
        return Arrays.asList(tasks.get(0));
    }
}

从上面的代码可以看出，该自定义分组会把数据归并到第一个TaskArrays.asList(tasks.get(0));，也就是数据到达后总是被派发到第一组。

测试代码：

TopologyBuilder builder = new TopologyBuilder()；
builder.setSpout("words", new TestWordSpout(), 2);
//自定义分组，
builder.setBolt("exclaim1", new DefaultStringBolt(), 3)
        .customGrouping("words", new MyFirstStreamGrouping());

和之前的测试用例一样，Spout总是发送new String[] {“nathan”, “mike”, “jackson”, “golda”, “bertels”}列表的字符串。我们运行验证一下：

11878 [Thread-25-exclaim1] INFO  cn.pointways.dstorm.bolt.DefaultStringBolt - rev a message: jackson
11943 [Thread-41-words] INFO  cn.pointways.dstorm.grouping.MyFirstStreamGrouping - [nathan]
11944 [Thread-25-exclaim1] INFO  cn.pointways.dstorm.bolt.DefaultStringBolt - rev a message: nathan
11979 [Thread-29-words] INFO  cn.pointways.dstorm.grouping.MyFirstStreamGrouping - [mike]
11980 [Thread-25-exclaim1] INFO  cn.pointways.dstorm.bolt.DefaultStringBolt - rev a message: mike
12045 [Thread-41-words] INFO  cn.pointways.dstorm.grouping.MyFirstStreamGrouping - [jackson]
12045 [Thread-25-exclaim1] INFO  cn.pointways.dstorm.bolt.DefaultStringBolt - rev a message: jackson
12080 [Thread-29-words] INFO  cn.pointways.dstorm.grouping.MyFirstStreamGrouping - [jackson]
12081 [Thread-25-exclaim1] INFO  cn.pointways.dstorm.bolt.DefaultStringBolt - rev a message: jackson
12145 [Thread-41-words] INFO  cn.pointways.dstorm.grouping.MyFirstStreamGrouping - [mike]
12146 [Thread-25-exclaim1] INFO  cn.pointways.dstorm.bolt.DefaultStringBolt - rev a message: mike

从这个运行日志我们可以看出，数据总是派发到一个Blot：Thread-25-exclaim1。因为我时本地测试，Thread-25-exclaim1是线程名。而派发的线程是数据多个线程的。因此该测试符合预期，即总是发送到一个Task，并且这个Task也是第一个。

理解自定义分组实现

自己实现一个自定义分组难吗？其实如果你理解了Hadoop的Partitioner，Storm的CustomStreamGrouping和它也是一样的道理。

Hadoop MapReduce的Map完成后会把Map的中间结果写入磁盘，在写磁盘前，线程首先根据数据最终要传送到的Reducer把数据划分成相应的分区，然后不同的分区进入不同的Reduce。我们先来看看Hadoop是怎样把数据怎样分组的，这是Partitioner唯一一个方法：

public class Partitioner<K, V> {
    @Override
    public int getPartition(K key, V value, int numReduceTasks) {
        return 0;
    }
}

上面的代码中：Map输出的数据都会经过getPartition（）方法，用来确定下一步的分组。numReduceTasks是一个Job的Reduce数量，而返回值就是确定该条数据进入哪个Reduce。返回值必须大于等于0，小于numReduceTasks，否则就会报错。返回0就意味着这条数据进入第一个Reduce。对于随机分组来说，这个方法可以这么实现：

public int getPartition(K key, V value, int numReduceTasks) {
    return hash(key) % numReduceTasks;
}

其实Hadoop 默认的Hash分组策略也正是这么实现的。这样好处是，数据在整个集群基本上是负载平衡的。

搞通了Hadoop的Partitioner，我们来看看Storm的CustomStreamGrouping。

这是CustomStreamGrouping类的源码：

public interface CustomStreamGrouping extends Serializable {

   void prepare(WorkerTopologyContext context, GlobalStreamId stream, List<Integer> targetTasks);

   List<Integer> chooseTasks(int taskId, List<Object> values);
}

一模一样的道理，targetTasks就是Storm运行时告诉你，当前有几个目标Task可以选择，每一个都给编上了数字编号。而 chooseTasks(int taskId, List

2、hadoop 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，

1. 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

1. package org.apache.hadoop.examples;  
2.   
3. import java.io.IOException;  
4. import java.util.*;  
5. import org.apache.hadoop.fs.Path;  
6. import org.apache.hadoop.conf.*;  
7. import org.apache.hadoop.io.*;  
8. import org.apache.hadoop.mapred.*;  
9. import org.apache.hadoop.util.*;  
10.   
11. /** 
12.  * 输入文本，以tab间隔 
13.  * kaka    1       28 
14.  * hua     0       26 
15.  * chao    1 
16.  * tao     1       22 
17.  * mao     0       29      22 
18.  * */  
19.   
20. //Partitioner函数的使用  
21.   
22. public class MyPartitioner {  
23.     // Map函数  
24.     public static class MyMap extends MapReduceBase implements  
25.             Mapper<LongWritable, Text, Text, Text> {  
26.         public void map(LongWritable key, Text value,  
27.                 OutputCollector<Text, Text> output, Reporter reporter)  
28.                 throws IOException {  
29.             String[] arr_value = value.toString().split("\t");  
30.             //测试输出  
31. //          for(int i=0;i<arr_value.length;i++)  
32. //          {  
33. //              System.out.print(arr_value[i]+"\t");  
34. //          }  
35. //          System.out.print(arr_value.length);  
36. //          System.out.println();         
37.             Text word1 = new Text();  
38.             Text word2 = new Text();  
39.             if (arr_value.length > 3) {  
40.                 word1.set("long");  
41.                 word2.set(value);  
42.             } else if (arr_value.length < 3) {  
43.                 word1.set("short");  
44.                 word2.set(value);  
45.             } else {  
46.                 word1.set("right");  
47.                 word2.set(value);  
48.             }  
49.             output.collect(word1, word2);  
50.         }  
51.     }  
52.       
53.     public static class MyReduce extends MapReduceBase implements  
54.             Reducer<Text, Text, Text, Text> {  
55.         public void reduce(Text key, Iterator<Text> values,  
56.                 OutputCollector<Text, Text> output, Reporter reporter)  
57.                 throws IOException {  
58.             int sum = 0;  
59.             System.out.println(key);  
60.             while (values.hasNext()) {  
61.                 output.collect(key, new Text(values.next().getBytes()));      
62.             }  
63.         }  
64.     }  
65.   
66.     // 接口Partitioner继承JobConfigurable，所以这里有两个override方法  
67.     public static class MyPartitionerPar implements Partitioner<Text, Text> {  
68.         /** 
69.          * getPartition()方法的 
70.          * 输入参数：键/值对<key,value>与reducer数量numPartitions 
71.          * 输出参数：分配的Reducer编号，这里是result 
72.          * */  
73.         @Override  
74.         public int getPartition(Text key, Text value, int numPartitions) {  
75.             // TODO Auto-generated method stub  
76.             int result = 0;  
77.             System.out.println("numPartitions--" + numPartitions);  
78.             if (key.toString().equals("long")) {  
79.                 result = 0 % numPartitions;  
80.             } else if (key.toString().equals("short")) {  
81.                 result = 1 % numPartitions;  
82.             } else if (key.toString().equals("right")) {  
83.                 result = 2 % numPartitions;  
84.             }  
85.             System.out.println("result--" + result);  
86.             return result;  
87.         }  
88.           
89.         @Override  
90.         public void configure(JobConf arg0)   
91.         {  
92.             // TODO Auto-generated method stub  
93.         }  
94.     }  
95.   
96.     //输入参数：/home/hadoop/input/PartitionerExample /home/hadoop/output/Partitioner  
97.     public static void main(String[] args) throws Exception {  
98.         JobConf conf = new JobConf(MyPartitioner.class);  
99.         conf.setJobName("MyPartitioner");  
100.           
101.         //控制reducer数量，因为要分3个区，所以这里设定了3个reducer  
102.         conf.setNumReduceTasks(3);  
103.   
104.         conf.setMapOutputKeyClass(Text.class);  
105.         conf.setMapOutputValueClass(Text.class);  
106.   
107.         //设定分区类  
108.         conf.setPartitionerClass(MyPartitionerPar.class);  
109.   
110.         conf.setOutputKeyClass(Text.class);  
111.         conf.setOutputValueClass(Text.class);  
112.   
113.         //设定mapper和reducer类  
114.         conf.setMapperClass(MyMap.class);  
115.         conf.setReducerClass(MyReduce.class);  
116.   
117.         conf.setInputFormat(TextInputFormat.class);  
118.         conf.setOutputFormat(TextOutputFormat.class);  
119.   
120.         FileInputFormat.setInputPaths(conf, new Path(args[0]));  
121.         FileOutputFormat.setOutputPath(conf, new Path(args[1]));  
122.   
123.         JobClient.runJob(conf);  
124.     }  
125. }