hadoop group 自定义分组

 

引子：

 

 a) 排序的主要目的是在多数据组成情况下，灵活指定排序规则并展示数据

  eg: <2,4,1>三数据组成的数据集合中，以row1asc , row2 desc, row3 asc方式展示所有结果

 b)分组的主要目的是： 指定好key的分组规则(这个key可以是一个多数据组合成的一个类)，

   然后在reduce阶段会按照你指定的key的分组规则来讲对应value放在{}内，以实现你求最大，最小，平均值的目的

 

c)

reduce操作为不同map来源的数据提供了见面的机会，你可以理解为:
多分支的乡村公路是每一个独立的map，每条乡村公路中跑的不同牌子的汽车，乡村公路最后汇集到一个主动脉，国道，reduce是乡村公路交集的高速，只有在这条高速上，才能将所有车辆集合在一起

 

0 目的： row1表示部门号，row2表示部门开支，现在要按照部门号升序方式，展示出当前部门开支最小的结果

 

3,7
1,0
2,1
3,5
1,1
3,1

1 代码：

 

package group;

import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
import java.net.URI;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.RawComparator;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.io.WritableComparator;
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.mapreduce.lib.partition.HashPartitioner;

/**
 * @author zm
 *
 *  由要求分析如下：
 * 1 必然以 row1来进行分组   
 * 2 必然也是以 row1,row2作为一个整体来进行比较才能有 当第一列相同时，在比较第二列的状态发生
 * 3 mr中，执行流程是 文件通过InputFormat处理成--><k1,v1>--><k2,v2>--><k3,v3> 
 * 		以 wordcount为例(hello you
 * 					   hello me
 *      <k1,v1>是<行号，文本>，在通过map方法处理后得到的 <hello,1> <you,1> <hello,1> <me,1>
 *      后经过默认默认排序（以key1的asci码升序排），和默认分组（以key1的asci为基准分组）变成了<k2,v2> ： 
        <hello,{1,1}>  <me,{1}>  <you,{1}>， 组是三个 但是记录仍旧是4条
 * 	<k3,v3>是经过redecu()方法处理后，真正写出到hdfs文件的最终处理结果，
       reduce操作

        为不同map来源的数据提供了见面的机会，你可以理解为:

        多分支的乡村公路是每一个独立的map，每条乡村公路中跑的不同牌子的汽车，乡村公路最后汇集到一个

        主动脉，国道，reduce是乡村公路交集的高速，只有在这条高速上，才能将所有车辆集合在一起


， *     上述流程可知，先执行 map()，执行map()同时根据key执行排序，然后执行分组操作
 *     
 * 结论：
 * 1 基于需要 row1,row2作为一个整体来进行比较，因此自定义 NewK2,重写此类compareTo方法（这里使用升序方式） ，指定排序规则
 * 2 排序后，实现分组时，因为此时的NewK2作为整体，如若用默认规则使用NewK2作为分组基准时，必然分组成6个组，因此指定自定义分组器取代默认规则,注意自定义分组器是对NewK2进行分组
 *  
 *  执行过程中 key value变化：
 *  <k0,v0> --> <k1,v1>----> <k2,v2>---> <k3,v3>：
	<行号，行内容> ---> <(3,3),3> <(3,2),2> <(3,1),1>  <(2,2),2> <(2,2),1> <(1,1),1> --->自定义分组，针对newk2进行分组，
	得到分组结果 <以3为row1的newk2,{3,2,1}> <以2为row1的newk2,{2,1}> <以1为row1的newk2,{1}>--->调用redece,得到<3,1> <2,1> <1,1>
 */
public class MyGroupApp {
	static final String INPUT_PATH = "hdfs://master:9000/hello";
	static final String OUT_PATH = "hdfs://master:9000/out";
	public static void main(String[] args) throws Exception{
		final Configuration configuration = new Configuration();
		
		final FileSystem fileSystem = FileSystem.get(new URI(INPUT_PATH), configuration);
		if(fileSystem.exists(new Path(OUT_PATH))){
			fileSystem.delete(new Path(OUT_PATH), true);
		}
		
		final Job job = new Job(configuration, GroupApp.class.getSimpleName());
		
		//1.1 指定输入文件路径
		FileInputFormat.setInputPaths(job, INPUT_PATH);
		//指定哪个类用来格式化输入文件
		job.setInputFormatClass(TextInputFormat.class);
		
		//1.2指定自定义的Mapper类
		job.setMapperClass(MyMapper.class);
		//指定输出<k2,v2>的类型
		job.setMapOutputKeyClass(NewK2.class);
		job.setMapOutputValueClass(LongWritable.class);
		
		//1.3 指定分区类
		job.setPartitionerClass(HashPartitioner.class);
		job.setNumReduceTasks(1);
		
		//1.4 TODO 排序 分组
		job.setGroupingComparatorClass(MyGroupingComparator.class);
		//1.5  TODO （可选）合并
		
		//2.2 指定自定义的reduce类
		job.setReducerClass(MyReducer.class);
		//指定输出<k3,v3>的类型
		job.setOutputKeyClass(LongWritable.class);
		job.setOutputValueClass(LongWritable.class);
		
		//2.3 指定输出到哪里
		FileOutputFormat.setOutputPath(job, new Path(OUT_PATH));
		//设定输出文件的格式化类
		job.setOutputFormatClass(TextOutputFormat.class);
		
		//把代码提交给JobTracker执行
		job.waitForCompletion(true);
	}

	
	static class MyMapper extends Mapper<LongWritable, Text, NewK2, LongWritable>{
		protected void map(LongWritable key, Text value, Context context) throws java.io.IOException ,InterruptedException {
			final String[] splited = value.toString().split("\t");
			final NewK2 k2 = new NewK2(Long.parseLong(splited[0]), Long.parseLong(splited[1]));
			final LongWritable v2 = new LongWritable(Long.parseLong(splited[1]));
			context.write(k2, v2);
		};
	}
	
	static class MyReducer extends Reducer<NewK2, LongWritable, LongWritable, LongWritable>{
		protected void reduce(NewK2 k2, java.lang.Iterable<LongWritable> v2s, Context context) throws java.io.IOException ,InterruptedException {
			long min = Long.MAX_VALUE;
			for (LongWritable v2 : v2s) {
				if(v2.get()<min){
					min = v2.get();
				}
			}
			
			context.write(new LongWritable(k2.first), new LongWritable(min));
		};
	}
	
	/**
	 * 问：为什么实现该类？
	 * 答：因为原来的v2不能参与排序，把原来的k2和v2封装到一个类中，作为新的k2
	 *
	 */
	static class  NewK2 implements WritableComparable<NewK2>{
		Long first;
		Long second;
		
		public NewK2(){}
		
		public NewK2(long first, long second){
			this.first = first;
			this.second = second;
		}
		
		
		@Override
		public void readFields(DataInput in) throws IOException {
			this.first = in.readLong();
			this.second = in.readLong();
		}

		@Override
		public void write(DataOutput out) throws IOException {
			out.writeLong(first);
			out.writeLong(second);
		}

		/**
		 * 当k2进行排序时，会调用该方法.
		 * 当第一列不同时，升序；当第一列相同时，第二列升序
		 */
		@Override
		public int compareTo(NewK2 o) {
			final long minus = this.first - o.first;
			if(minus !=0){
				return (int)minus;
			}
			return (int)(this.second - o.second);
		}
		
		@Override
		public int hashCode() {
			return this.first.hashCode()+this.second.hashCode();
		}
		
		@Override
		public boolean equals(Object obj) {
			if(!(obj instanceof NewK2)){
				return false;
			}
			NewK2 oK2 = (NewK2)obj;
			return (this.first==oK2.first)&&(this.second==oK2.second);
		}
	}
	
	/**
	 * 问：为什么自定义该类？
	 * 答：业务要求分组是按照第一列分组，但是NewK2的比较规则决定了不能按照第一列分。只能自定义分组比较器。
	 */
	static class MyGroupingComparator implements RawComparator<NewK2>{

			@Override
		public int compare(NewK2 o1, NewK2 o2) { // 此方法可以不用实现
			return (int)(o1.first - o2.first);
		}

		// 第二种比较方式： 按照字节进行比较 主要用此方法来实现分组规则
		/** 表示
		 * @param arg0 表示第一个参与比较的字节数组
		 * @param arg1 表示第一个参与比较的字节数组的起始位置
		 * @param arg2 表示第一个参与比较的字节数组的偏移量
		 * 
		 * @param arg3 表示第二个参与比较的字节数组
		 * @param arg4 表示第二个参与比较的字节数组的起始位置
		 * @param arg5 表示第二个参与比较的字节数组的偏移量
		 */
		@Override   // 8表示要进行比较的long的字节长度    
 		public int compare(byte[] arg0, int arg1, int arg2, byte[] arg3,
				int arg4, int arg5) {
			return WritableComparator.compareBytes(arg0, arg1, 8, arg3, arg4, 8);
		}
		
	}

b1[s1:l1] 表示以s1开头，长度为l1的字符所代表的数组b1
b2[s2:l2] 表示以s2开头，长度为l2的字符所代表的数组b2

如果以第二列作为分组依据， 那么应该找对象第二列的属性代表的数组

b1[s1+8:8] 表示以s1+8开头，长度为8的字符所代表的数组b1   即第二个列的字节数组  定位到了第二列上
同样 
b1[s2+8:8]  
、、


}

 

 

2 结果：

 

[root@master local]# hadoop fs -text /out/part-r-00000
Warning: $HADOOP_HOME is deprecated.

1       0
2       1
3       1