Hadoop代码测试环境:Hadoop2.4
原理:在Hadoop的MapReduce过程中,Mapper读取处理完成数据后,会把数据发送到Partitioner,由Partitioner来决定每条记录应该送往哪个reducer节点,默认使用的是HashPartitioner,其核心代码如下:
/** Use {@link Object#hashCode()} to partition. */
public int getPartition(K2 key, V2 value,
int numReduceTasks) {
return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;
}
getPartition的输出参数就是Mapper输出的key和value,然后针对这样的输入,采用key的hash值来判断当前记录应该被分为哪个reducer中(如果numReduceTasks为1,那么其实就只有一个分组,这里使用的是取模运算)。
应用场景:假如,我们事前已经对我们的数据以及Mapper处理后的输出数据都有一个很好的了解,那么其实我们可以控制记录应该送往哪个reducer进行处理,这样方便我们采取某种策略,来使reducer处理的数据量基本相同,达到一种均衡的效果。这样,对我们数据处理的效率也会有很大的提高。当然,这种策略需要我们对数据的了解会比较高。
实例:
首先自定义Partitioner(假设,我们需要把值value以A开头的数据分入一个reducer,那么可以使用下面的Partitioner),可以参考HashPartitioner,:
package fz.partitioner;
import org.apache.hadoop.mapreduce.Partitioner;
public class MyPartitioner<K1, V1> extends Partitioner<K1, V1> {
@Override
public int getPartition(K1 key, V1 value, int numPartitions) {
String tmpValue = value.toString();
// 如果value值以A开头,那么就把数据发送到其中一个reducer,否则发送到另外的一个;
if(tmpValue!=null&&tmpValue.indexOf("A")==0){
return 0;
}
return 1;
}
}
接着定义一个什么都不做的MR任务,只是简单的读取数据,调用自定义的MyPartitioner,然后查看输出结果,是否是我们需要的。
定义driver:
package fz.partitioner;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;
public class PartitionerDriver extends Configured implements Tool {
@Override
public int run(String[] arg0) throws Exception {
Configuration conf = getConf();
if(arg0.length!=2){
System.err.println("Usage:\nfz.partitioner.PartitionerDriver <in> <out>");
return -1;
}
// System.out.println(conf.get("fs.defaultFS"));
Path in = new Path(arg0[0]);
Path out= new Path(arg0[1]);
out.getFileSystem(conf).delete(out, true);
Job job = Job.getInstance(conf,"test partitioner");
job.setJarByClass(getClass());
job.setInputFormatClass(TextInputFormat.class);
job.setOutputFormatClass(TextOutputFormat.class);
job.setPartitionerClass(MyPartitioner.class);
job.setMapperClass(Mapper.class);
job.setMapOutputKeyClass(LongWritable.class);
job.setMapOutputValueClass(Text.class);
job.setOutputKeyClass(LongWritable.class);
job.setOutputValueClass(Text.class);
job.setReducerClass(Reducer.class);
job.setNumReduceTasks(2);
FileInputFormat.setInputPaths(job, in);
FileOutputFormat.setOutputPath(job, out);
return job.waitForCompletion(true)?0:-1;
}
public static void main(String[] args) throws Exception {
ToolRunner.run(new Configuration(), new PartitionerDriver(),args);
}
}
这里设置了自定义的MyPartitioner,同时设置reducer的个数为2。
运行MR程序,查看结果:
通过上面的结果对比,可以发现,(在mapper中并没有任何的逻辑操作),输出的数据仅仅是设置了Partitioner,然后就可以达到不同数据输出到不同的reducer的效果。
总结:如果对数据的整体有很好的了解,可以使用自定义Partitioner来达到reducer的负载均衡,提高效率。
分享,成长,快乐
转载请注明blog地址:http://blog.csdn.net/fansy1990