Hadoop深入学习：Partitioner组件的设计与实现

本节我们来学习MapReduce编程框架中的Partitioner接口和其他相关的信息。
Partitioner的作用就是对Mapper产生的中间数据进行分片，以便将同一分片的数据交给同一个Reducer处理，该过程是MapReduce的shuffle过程，特别是Map端的shuffle的一部分。
[b]Partitioner它直接影响Reduce阶段的负责均衡。[/b]在老版中，Partitioner是一个接口，继承了JobConfigurable接口，代码如下：

/** 
 * Partitions the key space.
 * 
 * <p><code>Partitioner</code> controls the partitioning of the keys of the 
 * intermediate map-outputs. The key (or a subset of the key) is used to derive
 * the partition, typically by a hash function. The total number of partitions
 * is the same as the number of reduce tasks for the job. Hence this controls
 * which of the <code>m</code> reduce tasks the intermediate key (and hence the 
 * record) is sent for reduction.</p>
 * 
 * @see Reducer
 */
public interface Partitioner<K2, V2> extends JobConfigurable {

  /** 
   * Get the paritition number for a given key (hence record) given the total 
   * number of partitions i.e. number of reduce-tasks for the job.
   *   
   * <p>Typically a hash function on a all or a subset of the key.</p>
   *
   * @param key 基于该key对数据分组儿.
   * @param value the entry value.
   * @param numPartitions 每个Mapper的分片数.
   * @return the partition number for the <code>key</code>.
   */
  int getPartition(K2 key, V2 value, int numPartitions);
}

MapReduce提供了两个Partitioner实现类：HasdPartitioner和TotalOrderPartitioner。
默认情况下，MapReduce分布式计算模型使用的是HasdPartitioner，它实现了一种基于Hash值的分片算法：

/** Partition keys by their {@link Object#hashCode()}. 
 */
public class HashPartitioner<K2, V2> implements Partitioner<K2, V2> {

  public void configure(JobConf job) {}

  /** Use {@link Object#hashCode()} to partition. */
  public int getPartition(K2 key, V2 value,int numReduceTasks) {
    return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;
  }

}

TotalOrderPartitioner主要用于Hadoop中的对数据进行全排序，它提供了一种基于区间的分片算法，能按照大小将数据分成若干个区间即分片，并保证后一个区间的所有数据都大于前一个区间的数据，这大大提高了全局排序的性能和扩展性。
使用TotalOrderPartitioner对数据进行全排序，要涉及到数据采样，需要和Hadoop采样器(如内置的IntercalSampler、RandomSampler和SplitSampler等，当然也可以实现直接的采样器)配合，具体步骤如下：
[b]第一步，数据采样。[/b]在Client端使用采样器(Sampler)获得分片的分割点；
[b]第二步，Map阶段。[/b]=在该阶段中涉及MapReduce编程模型的两个组件Mapper和Partitioner，Mapper可以采用IdentityMapper，直接输出数据，但Partitioner必须选用TotalOrderPartitioner，他将步骤1中获取的分割点保存到一颗trie树中，以便快速定位一个数据所在的区间。这样Mapper中产生的中间数据的N个区间就都是有序的；
[b]最后一步，[/b]Reduce阶段。在对每一个Reducer分配到的数据进行局部排序，最终得到经过全排序的数据。
[b]使用TotalOrderPartitioner的全排序的效率根key的分布规律和采样器的算法有直接关系。key值分布月均匀且采样越具有代表性，则Reduce Task负载月均衡，从而全排序的效率也就越高。[/b]

有兴趣的朋友可以看一看TotalOrderPartitioner的使用示例TeraSort，这个示例可以在examples\org\apache\hadoop\examples\terasort包中招的到。
在MapReduce编程框架中的其他两个组件Reduce和OutputFormat学习完后，鄙人会专门学习一下Hadoop的采样器Sampler和TotalOrderPartitioner，这里不再赘述。