关闭

Hadoop二次排序及MapReduce处理流程实例详解

标签: hadoop
1814人阅读 评论(0) 收藏 举报
分类:

一、概述

MapReduce框架对处理结果的输出会根据key值进行默认的排序,这个默认排序可以满足一部分需求,但是也是十分有限的,在我们实际的需求当中,往往有要对reduce输出结果进行二次排序的需求。对于二次排序的实现,网络上已经有很多人分享过了,但是对二次排序的实现原理及整个MapReduce框架的处理流程的分析还是有非常大的出入,而且部分分析是没有经过验证的。本文将通过一个实际的MapReduce二次排序的例子,讲述二次排序的实现和其MapReduce的整个处理流程,并且通过结果和Map、Reduce端的日志来验证描述的处理流程的正确性。


二、需求描述

1.输入数据

sort1	1
sort2	3
sort2	88
sort2	54
sort1	2
sort6	22
sort6	888
sort6	58

2.目标输出

    sort1   1,2  
    sort2   3,54,88  
    sort6   22,58,888  

三、解决思路

1.首先,在思考解决问题思路时,我们应该先深刻的理解MapReduce处理数据的整个流程,这是最基础的,不然的话是不可能找到解决问题的思路的。我描述一下MapReduce处理数据的大概流程:首先,MapReduce框架通过getSplits()方法实现对原始文件的切片之后,每一个切片对应着一个MapTask,InputSplit输入到map()函数进行处理,中间结果经过环形缓冲区的排序,然后分区、自定义二次排序(如果有的话)和合并,再通过Shuffle操作将数据传输到reduce Task端,reduce端也存在着缓冲区,数据也会在缓冲区和磁盘中进行合并排序等操作,然后对数据按照key值进行分组,然后每处理完一个分组之后就会去调用一次reduce()函数,最终输出结果。大概流程 我画了一下,如下图:


2.具体解决思路

(1):Map端处理

根据上面的需求,我们有一个非常明确的目标就是要对第一列相同的记录,并且对合并后的数字进行排序。我们都知道MapReduce框架不管是默认排序或者是自定义排序都只是对key值进行排序,现在的情况是这些数据不是key值,怎么办?其实我们可以将原始数据的key值和其对应的数据组合成一个新的key值,然后新的key值对应的value还是原始数据中的valu。那么我们就可以将原始数据的map输出变成类似下面的数据结构

    {[sort1,1],1}  
    {[sort2,3],3}  
    {[sort2,88],88}  
    {[sort2,54],54}  
    {[sort1,2],2}  
    {[sort6,22],22}  
    {[sort6,888],888}  
    {[sort6,58],58}  

那么我们只需要对[]里面的心key值进行排序就OK了,然后我们需要自定义一个分区处理器,因为我的目标不是想将新key相同的记录传到一个reduce中,而是想将新key中第一个字段相同的记录放到同一个reduce中进行分组合并,所以我们需要根据新key值的第一个字段来自定义一个分区处理器。通过分区操作后,得到的数据流如下:

Partition1:{[sort1,1],1}、{[sort1,2],2}  
  
Partition2:{[sort2,3],3}、{[sort2,88],88}、{[sort2,54],54}  
  
Partition3:{[sort6,22],22}、{[sort6,888],888}、{[sort6,58],58} 
分区操作完成之后,我调用自己的自定义排序器对新的key值进行排序

    {[sort1,1],1}  
    {[sort1,2],2}  
    {[sort2,3],3}  
    {[sort2,54],54}  
    {[sort2,88],88}  
    {[sort6,22],22}  
    {[sort6,58],58}  
    {[sort6,888],888}  

(2).Reduce端处理

经过Shuffle处理之后,数据传输到Reducer端了。在Reducer端按照组合键的第一个字段进行分组,并且每处理完一次分组之后就会调用一次reduce函数来对这个分组进行处理和输出。最终各个分组的数据结果变成类似下面的数据结构:

    sort1   1,2  
    sort2   3,54,88  
    sort6   22,58,888  

四、具体实现

1.自定义组合键

    public class CombinationKey implements WritableComparable<CombinationKey>{  
      
        private Text firstKey;  
        private IntWritable secondKey;  
          
        //无参构造函数  
        public CombinationKey() {  
            this.firstKey = new Text();  
            this.secondKey = new IntWritable();  
        }  
          
        //有参构造函数  
        public CombinationKey(Text firstKey, IntWritable secondKey) {  
            this.firstKey = firstKey;  
            this.secondKey = secondKey;  
        }  
      
        public Text getFirstKey() {  
            return firstKey;  
        }  
      
        public void setFirstKey(Text firstKey) {  
            this.firstKey = firstKey;  
        }  
      
        public IntWritable getSecondKey() {  
            return secondKey;  
        }  
      
        public void setSecondKey(IntWritable secondKey) {  
            this.secondKey = secondKey;  
        }  
      
        public void write(DataOutput out) throws IOException {  
            this.firstKey.write(out);  
            this.secondKey.write(out);  
        }  
      
        public void readFields(DataInput in) throws IOException {  
            this.firstKey.readFields(in);  
            this.secondKey.readFields(in);  
        }  
      
          
        /*public int compareTo(CombinationKey combinationKey) { 
            int minus = this.getFirstKey().compareTo(combinationKey.getFirstKey()); 
            if (minus != 0){ 
                return minus; 
            } 
            return this.getSecondKey().get() - combinationKey.getSecondKey().get(); 
        }*/  
        /** 
         * 自定义比较策略 
         * 注意:该比较策略用于MapReduce的第一次默认排序 
         * 也就是发生在Map端的sort阶段 
         * 发生地点为环形缓冲区(可以通过io.sort.mb进行大小调整) 
         */  
        public int compareTo(CombinationKey combinationKey) {  
            System.out.println("------------------------CombineKey flag-------------------");  
            return this.firstKey.compareTo(combinationKey.getFirstKey());  
        }  
      
        @Override  
        public int hashCode() {  
            final int prime = 31;  
            int result = 1;  
            result = prime * result + ((firstKey == null) ? 0 : firstKey.hashCode());  
            return result;  
        }  
      
        @Override  
        public boolean equals(Object obj) {  
            if (this == obj)  
                return true;  
            if (obj == null)  
                return false;  
            if (getClass() != obj.getClass())  
                return false;  
            CombinationKey other = (CombinationKey) obj;  
            if (firstKey == null) {  
                if (other.firstKey != null)  
                    return false;  
            } else if (!firstKey.equals(other.firstKey))  
                return false;  
            return true;  
        }  
      
          
    }  

说明:在自定义组合键的时候,我们需要特别注意,一定要实现WritableComparable接口,并且实现compareTo()方法的比较策略。这个用于MapReduce的第一次默认排序,也就是发生在Map阶段的sort小阶段,发生地点为环形缓冲区(可以通过io.sort.mb进行大小调整),但是其对我们最终的二次排序结果是没有影响的,我们二次排序的最终结果是由我们的自定义比较器决定的。

2.自定义分区器

/** 
 * 自定义分区 
 * @author 陈伟
 * @version 
 */  
public class DefinedPartition extends Partitioner<CombinationKey, IntWritable>{  
  
    /** 
     * 数据输入来源:map输出 我们这里根据组合键的第一个值作为分区 
     * 如果不自定义分区的话,MapReduce会根据默认的Hash分区方法 
     * 将整个组合键相等的分到一个分区中,这样的话显然不是我们要的效果 
     * @param key map输出键值 
     * @param value map输出value值 
     * @param numPartitions 分区总数,即reduce task个数 
     */  
    public int getPartition(CombinationKey key, IntWritable value, int numPartitions) {  
        System.out.println("---------------------进入自定义分区---------------------");  
        System.out.println("---------------------结束自定义分区---------------------");  
        return (key.getFirstKey().hashCode() & Integer.MAX_VALUE) % numPartitions;  
    }  
  
}  

3.自定义比较器

    public class DefinedComparator extends WritableComparator{  
      
        protected DefinedComparator() {  
            super(CombinationKey.class,true);  
        }  
      
        /** 
         * 第一列按升序排列,第二列也按升序排列 
         */  
        public int compare(WritableComparable a, WritableComparable b) {  
            System.out.println("------------------进入二次排序-------------------");  
            CombinationKey c1 = (CombinationKey) a;  
            CombinationKey c2 = (CombinationKey) b;  
            int minus = c1.getFirstKey().compareTo(c2.getFirstKey());  
              
            if (minus != 0){  
                System.out.println("------------------结束二次排序-------------------");  
                return minus;  
            } else {  
                System.out.println("------------------结束二次排序-------------------");  
                return c1.getSecondKey().get() -c2.getSecondKey().get();  
            }  
        }  
    }  
4.自定义分组

    /** 
     * 自定义分组有中方式,一种是继承WritableComparator 
     * 另外一种是实现RawComparator接口 
     * @author 陈伟
     * @version 
     */  
    public class DefinedGroupSort extends WritableComparator{  
      
      
        protected DefinedGroupSort() {  
            super(CombinationKey.class,true);  
        }  
      
        @Override  
        public int compare(WritableComparable a, WritableComparable b) {  
            System.out.println("---------------------进入自定义分组---------------------");  
            CombinationKey combinationKey1 = (CombinationKey) a;  
            CombinationKey combinationKey2 = (CombinationKey) b;  
            System.out.println("---------------------分组结果:" + combinationKey1.getFirstKey().compareTo(combinationKey2.getFirstKey()));  
            System.out.println("---------------------结束自定义分组---------------------");  
            //自定义按原始数据中第一个key分组  
            return combinationKey1.getFirstKey().compareTo(combinationKey2.getFirstKey());  
        }  
      
      
    }  



public class SecondSortMapReduce {

		// 定义输入路径
		private static final String INPUT_PATH = "hdfs://liaozhongmin:9000/sort_data";
		// 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();
				conf.set(KeyValueLineRecordReader.KEY_VALUE_SEPERATOR, "\t");

				// 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, SecondSortMapReduce.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(KeyValueTextInputFormat.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(SecondSortMapper.class);
				job.setMapOutputKeyClass(CombinationKey.class);
				job.setMapOutputValueClass(IntWritable.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(DefinedPartition.class);
				job.setNumReduceTasks(1);
				
				//设置自定义分组策略
				job.setGroupingComparatorClass(DefinedGroupSort.class);
				//设置自定义比较策略(因为我的CombineKey重写了compareTo方法,所以这个可以省略)
				job.setSortComparatorClass(DefinedComparator.class);
				
				//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(SecondSortReducer.class);
				job.setOutputKeyClass(Text.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 SecondSortMapper extends Mapper<Text, Text, CombinationKey, IntWritable>{
		/**
		 * 这里要特殊说明一下,为什么要将这些变量写在map函数外边
		 * 对于分布式的程序,我们一定要注意到内存的使用情况,对于MapReduce框架
		 * 每一行的原始记录的处理都要调用一次map()函数,假设,这个map()函数要处理1一亿
		 * 条输入记录,如果将这些变量都定义在map函数里面则会导致这4个变量的对象句柄
		 * 非常的多(极端情况下将产生4*1亿个句柄,当然java也是有自动的GC机制的,一定不会达到这么多)
		 * 导致栈内存被浪费掉,我们将其写在map函数外面,顶多就只有4个对象句柄
		 */
		private CombinationKey combinationKey = new CombinationKey();
		Text sortName = new Text();
		IntWritable score = new IntWritable();
		String[] splits = null;
		protected void map(Text key, Text value, Mapper<Text, Text, CombinationKey, IntWritable>.Context context) throws IOException, InterruptedException {
			System.out.println("---------------------进入map()函数---------------------");
			//过滤非法记录(这里用计数器比较好)
			if (key == null || value == null || key.toString().equals("")){
				return;
			}
			//构造相关属性
			sortName.set(key.toString());
			score.set(Integer.parseInt(value.toString()));
			//设置联合key
			combinationKey.setFirstKey(sortName);
			combinationKey.setSecondKey(score);
			
			//通过context把map处理后的结果输出
			context.write(combinationKey, score);
			System.out.println("---------------------结束map()函数---------------------");
		}
		
	}
	
	
	public static class SecondSortReducer extends Reducer<CombinationKey, IntWritable, Text, Text>{
		
		StringBuffer sb = new StringBuffer();
		Text score = new Text();
		/**
		 * 这里要注意一下reduce的调用时机和次数:
		 * reduce每次处理一个分组的时候会调用一次reduce函数。
		 * 所谓的分组就是将相同的key对应的value放在一个集合中
		 * 例如:<sort1,1> <sort1,2>
		 * 分组后的结果就是
		 * <sort1,{1,2}>这个分组会调用一次reduce函数
		 */
		protected void reduce(CombinationKey key, Iterable<IntWritable> values, Reducer<CombinationKey, IntWritable, Text, Text>.Context context)
				throws IOException, InterruptedException {
			
			
			//先清除上一个组的数据
			sb.delete(0, sb.length());
			
			for (IntWritable val : values){
				sb.append(val.get() + ",");
			}
			
			//取出最后一个逗号
			if (sb.length() > 0){
				sb.deleteCharAt(sb.length() - 1);
			}
			
			//设置写出去的value
			score.set(sb.toString());
			
			//将联合Key的第一个元素作为新的key,将score作为value写出去
			context.write(key.getFirstKey(), score);
			
			System.out.println("---------------------进入reduce()函数---------------------");
			System.out.println("---------------------{[" + key.getFirstKey()+"," + key.getSecondKey() + "],[" +score +"]}");
			System.out.println("---------------------结束reduce()函数---------------------");
		}
	}
}




 

程序运行的结果:


五、处理流程

看到前面的代码,都知道我在各个组件上已经设置好了相应的标志,用于追踪整个MapReduce处理二次排序的处理流程。现在让我们分别看看Map端和Reduce端的日志情况。

(1)Map端日志分析

15/01/19 15:32:29 INFO input.FileInputFormat: Total input paths to process : 1
15/01/19 15:32:29 WARN snappy.LoadSnappy: Snappy native library not loaded
15/01/19 15:32:30 INFO mapred.JobClient: Running job: job_local_0001
15/01/19 15:32:30 INFO mapred.Task:  Using ResourceCalculatorPlugin : null
15/01/19 15:32:30 INFO mapred.MapTask: io.sort.mb = 100
15/01/19 15:32:30 INFO mapred.MapTask: data buffer = 79691776/99614720
15/01/19 15:32:30 INFO mapred.MapTask: record buffer = 262144/327680
---------------------进入map()函数---------------------
---------------------进入自定义分区---------------------
---------------------结束自定义分区---------------------
---------------------结束map()函数---------------------
---------------------进入map()函数---------------------
---------------------进入自定义分区---------------------
---------------------结束自定义分区---------------------
---------------------结束map()函数---------------------
---------------------进入map()函数---------------------
---------------------进入自定义分区---------------------
---------------------结束自定义分区---------------------
---------------------结束map()函数---------------------
---------------------进入map()函数---------------------
---------------------进入自定义分区---------------------
---------------------结束自定义分区---------------------
---------------------结束map()函数---------------------
---------------------进入map()函数---------------------
---------------------进入自定义分区---------------------
---------------------结束自定义分区---------------------
---------------------结束map()函数---------------------
---------------------进入map()函数---------------------
---------------------进入自定义分区---------------------
---------------------结束自定义分区---------------------
---------------------结束map()函数---------------------
---------------------进入map()函数---------------------
---------------------进入自定义分区---------------------
---------------------结束自定义分区---------------------
---------------------结束map()函数---------------------
---------------------进入map()函数---------------------
---------------------进入自定义分区---------------------
---------------------结束自定义分区---------------------
---------------------结束map()函数---------------------
15/01/19 15:32:30 INFO mapred.MapTask: Starting flush of map output
------------------进入二次排序-------------------
------------------结束二次排序-------------------
------------------进入二次排序-------------------
------------------结束二次排序-------------------
------------------进入二次排序-------------------
------------------结束二次排序-------------------
------------------进入二次排序-------------------
------------------结束二次排序-------------------
------------------进入二次排序-------------------
------------------结束二次排序-------------------
------------------进入二次排序-------------------
------------------结束二次排序-------------------
------------------进入二次排序-------------------
------------------结束二次排序-------------------
------------------进入二次排序-------------------
------------------结束二次排序-------------------
------------------进入二次排序-------------------
------------------结束二次排序-------------------
------------------进入二次排序-------------------
------------------结束二次排序-------------------
------------------进入二次排序-------------------
------------------结束二次排序-------------------
------------------进入二次排序-------------------
------------------结束二次排序-------------------
15/01/19 15:32:30 INFO mapred.MapTask: Finished spill 0
15/01/19 15:32:30 INFO mapred.Task: Task:attempt_local_0001_m_000000_0 is done. And is in the process of commiting
15/01/19 15:32:30 INFO mapred.LocalJobRunner: 
15/01/19 15:32:30 INFO mapred.Task: Task 'attempt_local_0001_m_000000_0' done.
15/01/19 15:32:30 INFO mapred.Task:  Using ResourceCalculatorPlugin : null
15/01/19 15:32:30 INFO mapred.LocalJobRunner: 


(2)Reduce端日志分析

15/01/19 15:32:30 INFO mapred.Merger: Merging 1 sorted segments
15/01/19 15:32:30 INFO mapred.Merger: Down to the last merge-pass, with 1 segments left of total size: 130 bytes
15/01/19 15:32:30 INFO mapred.LocalJobRunner: 
---------------------进入自定义分组---------------------
---------------------分组结果:0
---------------------结束自定义分组---------------------
---------------------进入自定义分组---------------------
---------------------分组结果:-1
---------------------结束自定义分组---------------------
---------------------进入reduce()函数---------------------
---------------------{[sort1,2],[1,2]}
---------------------结束reduce()函数---------------------
---------------------进入自定义分组---------------------
---------------------分组结果:0
---------------------结束自定义分组---------------------
---------------------进入自定义分组---------------------
---------------------分组结果:0
---------------------结束自定义分组---------------------
---------------------进入自定义分组---------------------
---------------------分组结果:-4
---------------------结束自定义分组---------------------
---------------------进入reduce()函数---------------------
---------------------{[sort2,88],[3,54,88]}
---------------------结束reduce()函数---------------------
---------------------进入自定义分组---------------------
---------------------分组结果:0
---------------------结束自定义分组---------------------
---------------------进入自定义分组---------------------
---------------------分组结果:0
---------------------结束自定义分组---------------------
---------------------进入reduce()函数---------------------
---------------------{[sort6,888],[22,58,888]}
---------------------结束reduce()函数---------------------
15/01/19 15:32:30 INFO mapred.Task: Task:attempt_local_0001_r_000000_0 is done. And is in the process of commiting
15/01/19 15:32:30 INFO mapred.LocalJobRunner: 
15/01/19 15:32:30 INFO mapred.Task: Task attempt_local_0001_r_000000_0 is allowed to commit now
15/01/19 15:32:30 INFO output.FileOutputCommitter: Saved output of task 'attempt_local_0001_r_000000_0' to hdfs://liaozhongmin:9000/out
15/01/19 15:32:30 INFO mapred.LocalJobRunner: reduce > reduce
15/01/19 15:32:30 INFO mapred.Task: Task 'attempt_local_0001_r_000000_0' done.
15/01/19 15:32:31 INFO mapred.JobClient:  map 100% reduce 100%
15/01/19 15:32:31 INFO mapred.JobClient: Job complete: job_local_0001
15/01/19 15:32:31 INFO mapred.JobClient: Counters: 19
15/01/19 15:32:31 INFO mapred.JobClient:   File Output Format Counters 
15/01/19 15:32:31 INFO mapred.JobClient:     Bytes Written=40
15/01/19 15:32:31 INFO mapred.JobClient:   FileSystemCounters
15/01/19 15:32:31 INFO mapred.JobClient:     FILE_BYTES_READ=446
15/01/19 15:32:31 INFO mapred.JobClient:     HDFS_BYTES_READ=140
15/01/19 15:32:31 INFO mapred.JobClient:     FILE_BYTES_WRITTEN=131394
15/01/19 15:32:31 INFO mapred.JobClient:     HDFS_BYTES_WRITTEN=40
15/01/19 15:32:31 INFO mapred.JobClient:   File Input Format Counters 
15/01/19 15:32:31 INFO mapred.JobClient:     Bytes Read=70
15/01/19 15:32:31 INFO mapred.JobClient:   Map-Reduce Framework
15/01/19 15:32:31 INFO mapred.JobClient:     Reduce input groups=3
15/01/19 15:32:31 INFO mapred.JobClient:     Map output materialized bytes=134
15/01/19 15:32:31 INFO mapred.JobClient:     Combine output records=0
15/01/19 15:32:31 INFO mapred.JobClient:     Map input records=8
15/01/19 15:32:31 INFO mapred.JobClient:     Reduce shuffle bytes=0
15/01/19 15:32:31 INFO mapred.JobClient:     Reduce output records=3
15/01/19 15:32:31 INFO mapred.JobClient:     Spilled Records=16
15/01/19 15:32:31 INFO mapred.JobClient:     Map output bytes=112
15/01/19 15:32:31 INFO mapred.JobClient:     Total committed heap usage (bytes)=391118848
15/01/19 15:32:31 INFO mapred.JobClient:     Combine input records=0
15/01/19 15:32:31 INFO mapred.JobClient:     Map output records=8
15/01/19 15:32:31 INFO mapred.JobClient:     SPLIT_RAW_BYTES=99
15/01/19 15:32:31 INFO mapred.JobClient:     Reduce input records=8


首先,我们看了Reduce端的日志,第一个信息我应该很容易能够很容易看出来,就是分组和reduce()函数处理都是在Shuffle完成之后才进行的。另外一点我们也非常容易看出,就是每次处理完一个分组数据就会去调用一次的reduce()函数对这个分组进行处理和输出。此外,说明一些分组函数的返回值问题,当返回0时才会被分到同一个组中。另外一点我们也可以看出来,一个分组中每合并n个值就会有n-1分组函数返回0值,也就是说进行了n-1次比较。


六、总结

本文主要从MapReduce框架执行的流程,去分析了如何去实现二次排序,通过代码进行了实现,并且对整个流程进行了验证。另外,要吐槽一下,网络上有很多文章都记录了MapReudce处理二次排序问题,但是对MapReduce框架整个处理流程的描述错漏很多,而且他们最终的流程描述也没有证据可以支撑。所以,对于网络上的学习资源不能够完全依赖,要融入自己的思想,并且要重要的观点进行代码或者实践的验证。另外,今天在一个Hadoop交流群上听到少部分人在讨论,有了Hive我们就不用学习些MapReduce程序?对这这个问题我是这么认为:我不相信写不好MapReduce程序的程序员会写好hive语句,最起码的他们对整个执行流程是一无所知的,更不用说性能问题了,有可能连最常见的数据倾斜问题的弄不清楚。






1
0

查看评论
* 以上用户言论只代表其个人观点,不代表CSDN网站的观点或立场
    个人资料
    • 访问:25998次
    • 积分:1393
    • 等级:
    • 排名:千里之外
    • 原创:114篇
    • 转载:14篇
    • 译文:1篇
    • 评论:1条
    最新评论
  • Spark RDD

    testcs_dn: 把一个超大的数据集,切分成N个小堆,Hadoop大文件并行处理不是这样做的吗?