1 Shuffle过程
Map方法之后,Reduce方法之前的数据处理过程称之为Shuffle.
整体过程就不作介绍.可以看一下MapReduce工作流程
https://blog.csdn.net/andyonlines/article/details/104529634
里面的 7) - 13) 就是Shuffle过程的介绍.
2 Partition 分区
(1) 问题引出
要求将统计条件的结果输出到不同的文件中(分区).比如:将统计结果按照手机归属地不同省份输出到不同的文件中(分区)
(2)默认Partition分区是根据key的hashCode对ReduceTask个数取模得到的.用户没法控制哪个key存储到哪个区.
(3) 自定义Partition步骤
1) 自定义类继承Partition类,重写getPartition方法
2) 在Job驱动中,设置自定义Partitioner
job.setPartitionerClass(CustomePartition.class);
- 自定义Partitioner后,要根据逻辑设置ReduceTask的数量
job.setNumReduceTask(5);
(4) 分区总结
[1] 如果ReduceTask 数量 > getPartition的数量,则会多产生出几个空的输出文件
[2] 如果1 < ReduceTask 数量 < getPartition的数量,会产生异常.
[3] 1 = ReduceTask 数量,那只能产生一个文件.
[4] 分区必须从0开始,逐一增加
(5) 案例
[1] 需求
将统计结果按照手机归属地不同省份输出到不同文件中(分区)
数据:
1 13736230513 192.196.100.1 www.baidu.com 2481 24681 200
2 13846544121 192.196.100.2 264 0 200
3 13956435636 192.196.100.3 132 1512 200
4 13966251146 192.168.100.1 240 0 404
5 18271575951 192.168.100.2 www.baidu.com 1527 2106 200
6 84188413 192.168.100.3 www.baidu.com 4116 1432 200
7 13590439668 192.168.100.4 1116 954 200
8 15910133277 192.168.100.5 www.hao123.com 3156 2936 200
9 13729199489 192.168.100.6 240 0 200
10 13630577991 192.168.100.7 www.shouhu.com 6960 690 200
11 15043685818 192.168.100.8 www.baidu.com 3659 3538 200
12 15959002129 192.168.100.9 www.baidu.com 1938 180 500
13 13560439638 192.168.100.10 918 4938 200
14 13470253144 192.168.100.11 180 180 200
15 13682846555 192.168.100.12 www.qq.com 1938 2910 200
16 13992314666 192.168.100.13 www.gaga.com 3008 3720 200
17 13509468723 192.168.100.14 www.qinghua.com 7335 110349 404
18 18390173782 192.168.100.15 www.sogou.com 9531 2412 200
19 13975057813 192.168.100.16 www.baidu.com 11058 48243 200
20 13768778790 192.168.100.17 120 120 200
21 13568436656 192.168.100.18 www.alibaba.com 2481 24681 200
22 13568436656 192.168.100.19 1116 954 200
[2] 期望输出数据
手机号136、137、138、139开头都分别放到一个独立的4个文件中,其他开头的放到一个文件中。
[3] 代码
DataBean 类 : 用来存放文件数据
package com.partition;
imp