MapReduce里面的二次排序、组排序和Partitioner

在MapReduce程序中，我们常常需要对属于同一个key的value进行排序，即“二次排序”，将key和value进行组合，合并成一个新的key，给map去排序。在Hadoop 1.0.4中，利用setSortComparatorClass()对二次排序进行设定，但是sort comparator需要自己实现一个comparator，下面是一个自己实现的comparator的例子。

	public static class SortComparator extends WritableComparator {

		protected SortComparator() {
			super(Text.class, true);
			
			// TODO Auto-generated constructor stub
		}

		@Override
		public int compare(WritableComparable a, WritableComparable b) {
			// TODO Auto-generated method stub
			String[] strs_a = ((Text) a).toString().split(":");
			String[] strs_b = ((Text) b).toString().split(":");

			if ((strs_a.length != 3) || (strs_b.length != 3)) {
				log.error("Error: dimension error 1 in SortComparator!");
				System.exit(1);
			}

			if (Integer.parseInt(strs_a[0]) > Integer.parseInt(strs_b[0])) {
				return 1;
			} else if (Integer.parseInt(strs_a[0]) < Integer
					.parseInt(strs_b[0])) {
				return -1;
			} else {
				if (Double.parseDouble(strs_a[1]) > Double
						.parseDouble(strs_b[1])) {
					return 1;
				} else {
					return -1;
				}
			}
		}
	}

然后，在job中设置

job.setSortComparatorClass(SortComparator)

由于我们使用了“二次排序”，因此现在的key是被合并过的key（上面说过，是将key与value合并成新的key），所以我们需要定义组比较器（grouping comparator），它的功能是在reducer中为我们需要的相同的key（即合并之前的key）送入到同一个reduce中（官方文档中的描述是“Define the comparator that controls which keys are grouped together for a single call to Reducer.reduce(Object, Iterable, org.apache.hadoop.mapreduce.Reducer.Context)”）。下面是一个grouping comparator的例子。

	public static class GroupComparator extends WritableComparator {

		protected GroupComparator() {
			super(Text.class, true);
			// TODO Auto-generated constructor stub
		}

		@Override
		public int compare(WritableComparable a, WritableComparable b) {
			// TODO Auto-generated method stub
			String[] strs_a = ((Text) a).toString().split(":");
			String[] strs_b = ((Text) b).toString().split(":");

			if ((strs_a.length != 3) || (strs_b.length != 3)) {
				log.error("Error: dimension error 1 in GroupComparator!");
				System.exit(1);
			}

			String new_key_a = strs_a[0] + strs_a[2];
			String new_key_b = strs_b[0] + strs_b[2];

			if (new_key_a.compareTo(new_key_b) == 0) {
				return 0;
			} else if (new_key_a.compareTo(new_key_b) > 0) {
				return 1;
			} else {
				return -1;
			}

		}
	}

然后，在job中设置

job.setGroupingComparatorClass(GroupComparator.class);

此外，由于我们实际的key与我们所需要的key是不一样的，因此我们需要自己定义一个partitioner，以“欺骗”reducer，将我们所需的相同的key传到同一个reducer，下面是一个partitioner的例子。

	public static class Patitioner extends
			HashPartitioner<Text, IntWritable> {
		@Override
		public int getPartition(Text key, IntWritable value, int numReduceTasks) {
			// TODO Auto-generated method stub
			String[] new_key = key.toString().split(":");
			if (new_key.length != 3) {
				log.error("Error: dimension error in partitioner!");
				System.exit(1);
			}
			return super.getPartition(new Text(new_key[0]), value,
					numReduceTasks);
		}
	}

然后，在job中设置

job.setPartitionerClass(Patitioner.class);

Partitioner和GroupingComparator有点饶人，功能好像重复了。

1. Partitioner是将相同的key（用户虚拟的key）传到同一个reducer（到了reducer中，reducer只认map中实际输出的key，实际key中哪一部分作为key用一个单独的reduce来处理就是GroupingComparator的功能）
2. GroupingComparator是让reducer用一个单独的reduce来处理同一个key
   
3. Partitioner中的key和GroupingComparator中的key是可以不一样的（例如我的例子中）