Hadoop实现Secondary Sort

在hadoop中每个reduce的输入的key都是有序的，而value则是无序的。而且同一个job运行多次，由于map完成顺序不同，reduce收到的value顺序是不固定的。那如何才能实现reduce收到有序的value呢？这就需要Secondary Sort。

Secondary Sort要解决的问题：reduce收到的value有序。

这里举一个场景，来说明Secondary Sort是如何实现的。假设我们有若干公司若干部门的人数，数据样例如下：

公司名 部门的人数

Taobao 52
Taobao 31
Taobao 67
Alipay 10
Alipay 36
Alipay 29
B2B 120
B2B 72
Aliyun 13
Aliyun 32
Aliyun 3

我们想知道每个公司的最大部门（人数最多）的人数。即希望先按公司名group，然后对group内的人数降序排列，最后取每个group的第一个即可。

由于reduce收到的value是无序的，所以要对value进行排序，首先需要将value封装到key里面。即需要自定义key的类型，代码如下：

import java.io.DataInput; import java.io.DataOutput; import java.io.IOException; import org.apache.hadoop.io.IntWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.io.WritableComparable; public class MyKey implements WritableComparable<MyKey> { public final Text first; public final IntWritable second; public MyKey() { first = new Text(); second = new IntWritable(); } public MyKey(Text first, IntWritable second) { this.first = first; this.second = second; } @Override public void write(DataOutput out) throws IOException { first.write(out); second.write(out); } @Override public void readFields(DataInput in) throws IOException { first.readFields(in); second.readFields(in); } @Override public String toString() { return first + "\t" + second; } @Override public int compareTo(MyKey tp) { int cmp = first.compareTo(tp.first); if (cmp != 0) { return cmp; } return -second.compareTo(tp.second); } }
这里新定义的类型为MyKey封装了一个Text和一个IntWritable，依次存放公司名和部门人数。Hadoop要求key的类型必须实现Writable和Comparable，前者为了支持序列化和反序列化，后者为了实现基于比较的排序。需要注意的是compareTo()方法中先按first即公司名升序排列，后按second即部门人数降序排列。另外toString()方法的实现是为了定义输出格式，即公司名+tab+最大部门人数。

定义key后还不能满足需求。因为默认的HashPartitioner会将相同的key分配给同一个reduce，而我们希望的是first相同的key分给同一个reduce处理，默认的Partitioner显然保证不了这一点。这就需要我们自定义Partitioner，实现first相同的key分配给同一个reduce。实现代码如下：

import org.apache.hadoop.io.NullWritable; import org.apache.hadoop.mapred.JobConf; import org.apache.hadoop.mapred.Partitioner; public class MyPartitioner implements Partitioner<MyKey, NullWritable> { @Override public void configure(JobConf job) {} @Override public int getPartition(MyKey key, NullWritable value, int numPartitions) { return (key.first.hashCode() & Integer.MAX_VALUE) % numPartitions; } }
MyPartitioner的getPartition()方法中，只考虑first，不考虑second，这样就满足了我们的需求。

实现到这一步后，reduce会获取到按first升序且按second降序排列的key序列。而我们希望first相同的key中，只获取第一个的second即可，其他数据可以忽略。这就需要数据执行reduce前按照key的first字段进行归并，即grouping。first相同的key归为一个group，将第一个key和所有的value(value为NullWritable类型，无需处理)传给reduce()方法。然后reduce将key输出即可实现目的。为了实现这样的grouping操纵，需要自定义归并比较器（ValueGroupingComparator），代码如下：

import org.apache.hadoop.io.WritableComparable; import org.apache.hadoop.io.WritableComparator; public class MyGroupComparator extends WritableComparator { protected MyGroupComparator() { super(MyKey.class, true); } @Override public int compare(WritableComparable w1, WritableComparable w2) { MyKey m1 = (MyKey) w1; MyKey m2 = (MyKey) w2; return m1.first.compareTo(m2.first); } }
从MyGroupComparator代码中可以看出，compare中只比较firest而忽略second。

以上模块自定义好后，map和reduce实现会相当容易。map只需要将公司名和部门人数构造成一个MyKey对象即可。而reduce中将收到的key输出就ok了。实现SecondarySort的作业代码如下：

import java.io.IOException; import java.util.Iterator; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.conf.Configured; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.*; import org.apache.hadoop.mapred.*; import org.apache.hadoop.util.Tool; import org.apache.hadoop.util.ToolRunner; public class MySecondarySort extends Configured implements Tool{ public static class MyMap extends MapReduceBase implements Mapper<Text, Text, MyKey, NullWritable> { private IntWritable num = new IntWritable(); @Override public void map(Text key, Text value, OutputCollector<MyKey, NullWritable> output, Reporter reporter) throws IOException { num.set(Integer.parseInt(value.toString())); MyKey myKey = new MyKey(key, num); output.collect(myKey, NullWritable.get()); } } public static class MyReduce extends MapReduceBase implements Reducer<MyKey, NullWritable, MyKey, NullWritable> { @Override public void reduce(MyKey key, Iterator<NullWritable> values, OutputCollector<MyKey, NullWritable> output, Reporter reporter) throws IOException { output.collect(key, NullWritable.get()); } } @Override public int run(String[] args) throws Exception { JobConf conf = new JobConf(getConf(), MySecondarySort.class); conf.setJobName("wordcount"); conf.setOutputKeyClass(MyKey.class); conf.setOutputValueClass(NullWritable.class); conf.setMapperClass(MyMap.class); conf.setReducerClass(MyReduce.class); conf.setPartitionerClass(MyPartitioner.class); conf.setOutputValueGroupingComparator(MyGroupComparator.class); conf.setInputFormat(KeyValueTextInputFormat.class); conf.set("key.value.separator.in.input.line", " "); FileInputFormat.setInputPaths(conf, new Path(args[0])); FileOutputFormat.setOutputPath(conf, new Path(args[1])); JobClient.runJob(conf); return 0; } public static void main(String[] args) throws Exception { int res = ToolRunner.run(new Configuration(), new MySecondarySort(), args); System.exit(res); } }
注意由于输入格式是key+空格+value，这里采用KeyValueTextInputFormat，避免了map中做分割字符串操作。

对于输入如下内容的文件：

$ bin/hadoopfs -cat /liangly/list

Taobao 52

Taobao 31

Taobao 67

Alipay 10

Alipay 36

Alipay 29

B2B 120

B2B 72

Aliyun 13

Aliyun 32

Aliyun 3

执行上面实现的Job：

$ bin/hadoopjar job.jar MySecondarySort \

> -Dmapred.map.tasks=3 \

> -Dmapred.reduce.tasks=2 \

> /liangly/list \

> /liangly/out

作业结束后输出如下：

$ bin/hadoopfs -cat /liangly/out/*

Alipay 36

Aliyun32

B2B120

Taobao 67

由于数据量很小，很容易确定已经达到了预期目的。