MapReduce TopK问题实际应用

一：背景

TopK问题应该是海量数据处理中应用最广泛的了，比如在海量日志数据处理中，对数据清洗完成之后统计某日访问网站次数最多的前K个IP。这个问题的实现方式并不难，我们完全可以利用MapReduce的Shuffle过程实现排序，然后在Reduce端进行简单的个数判断输出即可。这里还涉及到二次排序，不懂的同学可以参考我之前的文章。

二：技术实现

#我们先来看看一条Ngnix服务器的日志：

181.133.250.74 - - [06/Jan/2015:10:18:08 +0800] "GET /lavimer/love.png HTTP/1.1" 200 968 
"http://www.iteblog.com/archives/994" 
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) 
Chrome/34.0.1847.131 Safari/537.36"

这条日志里面含有9列(为了展示美观，我在这里加了换行符)，每列之间都是用空格分割的，每列的含义分别是：客户端IP、用户标示、用户、访问时间、请求页面、请求状态、返回文件大小、跳转来源、浏览器UA。

#数据清洗这里就不说了，很简单，无非就是字符串的截取和WordCount程序。现在假设经过清洗后的数据如下(第一列是IP第二列是出现次数)：

180.173.250.74  1001
18.13.253.64    10001
181.17.252.175  10001
113.172.210.174 99
186.175.251.114 89
10.111.220.54   900
110.199.220.23  9999
140.143.253.11  999999
101.133.230.24  999999
115.171.220.14  999999
185.172.238.48  999888
123.17.240.74   19000
187.124.225.74  8777
119.173.243.74  8888
186.173.250.89  8888

#现在的需求是求出访问量最高的前10个IP。

代码实现如下：

把IP和其对应的出现次数封装成一个实体对象并实现WritableComparable接口用于排序。

public class IPTimes implements WritableComparable {
	//IP
	private Text ip;
	//IP对应出现的次数
	private IntWritable count;

	//无参构造函数(一定要有，反射机制会出错，另外要对定义的变量进行初始化否则会报空指针异常)
	public IPTimes() {
		this.ip = new Text("");
		this.count = new IntWritable(1);
	}

	//有参构造函数
	public IPTimes(Text ip, IntWritable count) {
		this.ip = ip;
		this.count = count;
	}

	//反序列化
	public void readFields(DataInput in) throws IOException {
		ip.readFields(in);
		count.readFields(in);
	}
	//序列化
	public void write(DataOutput out) throws IOException {
		ip.write(out);
		count.write(out);
	}
	/*两个变量的getter和setter方法*/
	public Text getIp() {
		return ip;
	}

	public void setIp(Text ip) {
		this.ip = ip;
	}

	public IntWritable getCount() {
		return count;
	}

	public void setCount(IntWritable count) {
		this.count = count;
	}

	
	/**
	 * 这个方法是二次排序的关键
	 */
	public int compareTo(Object o) {
		//强转 
		IPTimes ipAndCount = (IPTimes) o;
		//对第二列的count进行比较
		long minus = this.getCount().compareTo(ipAndCount.getCount());
		
		if (minus != 0){//第二列不相同时降序排列
			return ipAndCount.getCount().compareTo(this.count);
		}else {//第二列相同时第一列升序排列
			return this.ip.compareTo(ipAndCount.getIp());
		}
		
	}

	//hashCode和equals()方法
	public int hashCode() {
		return ip.hashCode();
	}

	public boolean equals(Object o) {
		if (!(o instanceof IPTimes))
			return false;
		IPTimes other = (IPTimes) o;
		return ip.equals(other.ip) && count.equals(other.count);
	}

	//重写toString()方法
	public String toString() {

		return this.ip + "\t" + this.count;
	}

}

主类TopK.java：

public class TOPK {
	// 定义输入路径
	private static final String INPUT_PATH = "hdfs://liaozhongmin:9000/topk_file/*";
	// 定义输出路径
	private static final String OUT_PATH = "hdfs://liaozhongmin:9000/out";

	public static void main(String[] args) {

		try {
			// 创建配置信息
			Configuration conf = new Configuration();

			// 创建文件系统
			FileSystem fileSystem = FileSystem.get(new URI(OUT_PATH), conf);
			// 如果输出目录存在，我们就删除
			if (fileSystem.exists(new Path(OUT_PATH))) {
				fileSystem.delete(new Path(OUT_PATH), true);
			}

			// 创建任务
			Job job = new Job(conf, TOPK.class.getName());

			//1.1 设置输入目录和设置输入数据格式化的类
			FileInputFormat.setInputPaths(job, INPUT_PATH);
			job.setInputFormatClass(TextInputFormat.class);

			//1.2 设置自定义Mapper类和设置map函数输出数据的key和value的类型
			job.setMapperClass(TopKMapper.class);
			job.setMapOutputKeyClass(IPTimes.class);
			job.setMapOutputValueClass(Text.class);

			//1.3 设置分区和reduce数量(reduce的数量，和分区的数量对应，因为分区为一个，所以reduce的数量也是一个)
			job.setPartitionerClass(HashPartitioner.class);
			job.setNumReduceTasks(1);

			//1.4 排序
			//1.5 归约
			//2.1 Shuffle把数据从Map端拷贝到Reduce端。
			//2.2 指定Reducer类和输出key和value的类型
			job.setReducerClass(TopkReducer.class);
			job.setOutputKeyClass(IPTimes.class);
			job.setOutputValueClass(Text.class);

			//2.3 指定输出的路径和设置输出的格式化类
			FileOutputFormat.setOutputPath(job, new Path(OUT_PATH));
			job.setOutputFormatClass(TextOutputFormat.class);

			// 提交作业 退出
			System.exit(job.waitForCompletion(true) ? 0 : 1);

		} catch (Exception e) {
			e.printStackTrace();
		}
	}

	public static class TopKMapper extends Mapper<LongWritable, Text, IPTimes, Text> {
		@Override
		protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, IPTimes, Text>.Context context) throws IOException, InterruptedException {
			//切分字符串
			String[] splits = value.toString().split("\t");
			// 创建IPCount对象
			IPTimes tmp = new IPTimes(new Text(splits[0]), new IntWritable(Integer.valueOf(splits[1])));
			// 把结果写出去
			context.write(tmp, new Text());

		}

		public static class TopkReducer extends Reducer<IPTimes, Text, IPTimes, Text> {
			//临时变量
			int counter = 0;
			//TOPK中的K
			int k = 10;

			@Override
			protected void reduce(IPTimes key, Iterable<Text> values, Reducer<IPTimes, Text, IPTimes, Text>.Context context) throws IOException,
					InterruptedException {
				if (counter < k) {
					context.write(key, null);
					counter++;
				}
			}
		}
	}
}

程序运行的结果如下：

注：网上有很多关于TOPK的求法，很多都用了TreeMap这个数据结构，但是我测试过他们写的很多程序，有一个很严重的问题就是当数字相同时记录就会被抛弃。但这是不符合实际需求的，现实中完全有可能出现两个不同的IP访问的次数相同的情况。