Hadoop实现Secondary Sort

    在hadoop中每个reduce的输入的key都是有序的，而value则是无序的。而且同一个job运行多次，由于map完成顺序不同，reduce收到的value顺序是不固定的。那如何才能实现reduce收到有序的value呢？这就需要Secondary Sort。

Secondary Sort要解决的问题：reduce收到的value有序。

这里举一个场景，来说明Secondary Sort是如何实现的。假设我们有若干公司若干部门的人数，数据样例如下：

公司名   部门的人数

Taobao 52
Taobao 31
Taobao 67
Alipay 10
Alipay 36
Alipay 29
B2B 120
B2B 72
Aliyun 13
Aliyun 32
Aliyun 3

我们想知道每个公司的最大部门（人数最多）的人数。即希望先按公司名group，然后对group内的人数降序排列，最后取每个group的第一个即可。

由于reduce收到的value是无序的，所以要对value进行排序，首先需要将value封装到key里面。即需要自定义key的类型，代码如下：

import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.WritableComparable;

public class MyKey implements WritableComparable<MyKey> {
  public final Text first;
  public final IntWritable second;

  public MyKey() {
    first = new Text();
    second = new IntWritable();
  }

  public MyKey(Text first, IntWritable second) {
    this.first = first;
    this.second = second;
  }

  @Override
  public void write(DataOutput out) throws IOException {
    first.write(out);
    second.write(out);
  }

  @Override
  public void readFields(DataInput in) throws IOException {
    first.readFields(in);
    second.readFields(in);
  }

  @Override
  public String toString() {
    return first + "\t" + second;
  }

  @Override
  public int compareTo(MyKey tp) {
    int cmp = first.compareTo(tp.first);
    if (cmp != 0) {
      return cmp;
    }
    return -second.compareTo(tp.second);
  }
}

这里新定义的类型为MyKey封装了一个Text和一个IntWritable，依次存放公司名和部门人数。Hadoop要求key的类型必须实现Writable和Comparable，前者为了支持序列化和反序列化，后者为了实现基于比较的排序。需要注意的是compareTo()方法中先按first即公司名升序排列，后按second即部门人数降序排列。另外toString()方法的实现是为了定义输出格式，即公司名+tab+最大部门人数。

定义key后还不能满足需求。因为默认的HashPartitioner会将相同的key分配给同一个reduce，而我们希望的是first相同的key分给同一个reduce处理，默认的Partitioner显然保证不了这一点。这就需要我们自定义Partitioner，实现first相同的key分配给同一个reduce。实现代码如下：

import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.mapred.JobConf;
import org.apache.hadoop.mapred.Partitioner;


public class MyPartitioner 
  implements Partitioner<MyKey, NullWritable> {

  @Override
  public void configure(JobConf job) {}

  @Override
  public int getPartition(MyKey key, NullWritable value, int numPartitions) {
    return (key.first.hashCode() & Integer.MAX_VALUE) % numPartitions;
  }
}

MyPartitioner的getPartition()方法中，只考虑first，不考虑second，这样就满足了我们的需求。

实现到这一步后，reduce会获取到按first升序且按second降序排列的key序列。而我们希望first相同的key中，只获取第一个的second即可，其他数据可以忽略。这就需要数据执行reduce前按照key的first字段进行归并，即grouping。first相同的key归为一个group，将第一个key和所有的value(value为NullWritable类型，无需处理)传给reduce()方法。然后reduce将key输出即可实现目的。为了实现这样的grouping操纵，需要自定义归并比较器（ValueGroupingComparator），代码如下：

import org.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.io.WritableComparator;

public class MyGroupComparator extends WritableComparator {
  protected MyGroupComparator() {
    super(MyKey.class, true);
  }
  
  @Override
  public int compare(WritableComparable w1, WritableComparable w2) {
    MyKey m1 = (MyKey) w1;
    MyKey m2 = (MyKey) w2;
    return m1.first.compareTo(m2.first);
  }

}

从MyGroupComparator代码中可以看出，compare中只比较firest而忽略second。

以上模块自定义好后，map和reduce实现会相当容易。map只需要将公司名和部门人数构造成一个MyKey对象即可。而reduce中将收到的key输出就ok了。实现SecondarySort的作业代码如下：

import java.io.IOException;
import java.util.Iterator;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.*;
import org.apache.hadoop.mapred.*;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;

public class MySecondarySort extends Configured implements Tool{
  
  public static class MyMap extends MapReduceBase
    implements Mapper<Text, Text, MyKey, NullWritable> {
    
    private IntWritable num = new IntWritable();
    
    @Override
    public void map(Text key, Text value, 
                    OutputCollector<MyKey, NullWritable> output, 
                    Reporter reporter) throws IOException {

      num.set(Integer.parseInt(value.toString()));
      MyKey myKey = new MyKey(key, num);
      output.collect(myKey, NullWritable.get());
    }
  }
  
  public static class MyReduce extends MapReduceBase
    implements Reducer<MyKey, NullWritable, MyKey, NullWritable> {

    @Override  
    public void reduce(MyKey key, Iterator<NullWritable> values,
                       OutputCollector<MyKey, NullWritable> output, 
                       Reporter reporter) throws IOException {
      output.collect(key, NullWritable.get());
    }
  }
  
  
  @Override
  public int run(String[] args) throws Exception {
    JobConf conf = new JobConf(getConf(), MySecondarySort.class); 
    conf.setJobName("wordcount");
 
    conf.setOutputKeyClass(MyKey.class);
    conf.setOutputValueClass(NullWritable.class);
    
    conf.setMapperClass(MyMap.class);        
    conf.setReducerClass(MyReduce.class);
   
    conf.setPartitionerClass(MyPartitioner.class);
    conf.setOutputValueGroupingComparator(MyGroupComparator.class);
    
    conf.setInputFormat(KeyValueTextInputFormat.class);
    conf.set("key.value.separator.in.input.line", " ");

    FileInputFormat.setInputPaths(conf, new Path(args[0]));
    FileOutputFormat.setOutputPath(conf, new Path(args[1]));
    JobClient.runJob(conf);
    return 0;
  }
  
  public static void main(String[] args) throws Exception { 
    int res = ToolRunner.run(new Configuration(), new MySecondarySort(), args);
    System.exit(res);
  }
}

注意由于输入格式是key+空格+value，这里采用KeyValueTextInputFormat，避免了map中做分割字符串操作。

对于输入如下内容的文件：

$ bin/hadoopfs -cat /liangly/list

Taobao 52

Taobao 31

Taobao 67

Alipay 10

Alipay 36

Alipay 29

B2B 120

B2B 72

Aliyun 13

Aliyun 32

Aliyun 3

执行上面实现的Job：

$ bin/hadoopjar job.jar MySecondarySort \

> -Dmapred.map.tasks=3 \

> -Dmapred.reduce.tasks=2 \

> /liangly/list \

> /liangly/out

作业结束后输出如下：

$ bin/hadoopfs -cat /liangly/out/*

Alipay  36

Aliyun 32

B2B    120

Taobao   67

由于数据量很小，很容易确定已经达到了预期目的。