利用hadoop mapreduce 做数据排序

最新推荐文章于 2022-06-05 14:00:26 发布

程海无涯

最新推荐文章于 2022-06-05 14:00:26 发布

阅读量6.3k

点赞数

分类专栏： java学习文章标签： hadoop 排序

java学习专栏收录该内容

5 篇文章 0 订阅

订阅专栏

  我们的需求是想统计一个文件中用IK分词后每个词出现的次数，然后按照出现的次数降序排列。也就是高频词统计。

由于hadoop在reduce之后就不能对结果做什么了，所以只能分为两个job完成，第一个job统计次数，第二个job对第一个job的结果排序。第一个job的就是hadoop最简单的例子countwords，我要说的是用hadoop对结果排序。假设第一个job的结果输出如下：

part-r-0000文件内容：

a   5
b   4
c   74
d   78
e   1
r   64
f    4

要做的就是按照每个词出现的次数降序排列。

 
    1 **********************************分割线*****************************************

首先可能会出现这样的问题：

1.可能上一个job为多个reduce，也就是会产生多个结果文件，因为一个reduce就会生成一个结果文件，结果存放在上一个job输出目录下类似part-r-00的文件里。

2.需要排序的文件内容很大，所以需要考虑多个reduce的情况。

`1`	`*******************************分割线*****************************`

怎么去设计mapreduce

1.在map阶段按照行读取文本，然后调用map方法时把上一个job的结果颠倒，也就是map后结果应该是这样的

 
5    a
 
4    b
 
74    c
 
................
 
.........................
 
4    f

2.然后map后，hadoop会对结果进行分组，这时结果就会变成

(5：a)
(4:b,f)
(74:c)

3.然后按照reduce数目的大小自定义分区函数，让结果形成多个区间，比如我认为大于50的应该在一个区间，一共3个reduce，那么最后的数据应该是三个区间，大于50的直接分到第一个分区0，25到50之间的分到第二个分区1，小于25的分到第三个分区2.因为分区数和reduce数是相同的，所以不同的分区对应不同的reduce，因为分区是从0开始的，分区是0的会分到第一个reduce处理,分区是1的会分到第2个reduce处理，依次类推。并且reduce对应着输出文件，所以，第一个reduce生成的文件就会是part-r-0000，第二个reduce对应的生成文件就会是part-r-0001，依次类推，所以reduce处理时只需要把key和value再倒过来直接输出。这样最后就会让形成数目最大的字符串就会在第一个生成文件里，排好的序就会文件命的顺序。代码如下：

 
    1 *******************************分割线*****************************************

map：

 
/**
 
 * 把上一个mapreduce的结果的key和value颠倒，调到后就可以按照key排序了。
 
 *
 
 * @author zhangdonghao
 
 *
 
 */
 
    public class SortIntValueMapper extends
 
    Mapper<LongWritable, Text, IntWritable, Text> {
 
private final static IntWritable wordCount = new IntWritable(1);
 
 
 
private Text word = new Text();
 
 
 
public SortIntValueMapper() {
 
    super();
 
}
 
 
 
@Override
 
public void map(LongWritable key, Text value, Context context)
 
        throws IOException, InterruptedException {
 
 
 
    StringTokenizer tokenizer = new StringTokenizer(value.toString());
 
    while (tokenizer.hasMoreTokens()) {
 
        word.set(tokenizer.nextToken().trim());
 
        wordCount.set(Integer.valueOf(tokenizer.nextToken().trim()));
 
        context.write(wordCount, word);
 
    }
 
}
 
}

reudce:

 
/**
 
 * 把key和value颠倒过来输出
 
 * @author zhangdonghao
 
 *
 
 */
 
    public class SortIntValueReduce extends
 
    Reducer<IntWritable, Text, Text, IntWritable> {
 
 
 
private Text result = new Text();
 
 
 
@Override
 
public void reduce(IntWritable key, Iterable<Text> values, Context context)
 
        throws IOException, InterruptedException {
 
    for (Text val : values) {
 
        result.set(val.toString());
 
        context.write(result, key);
 
    }
 
 
 
}
 
}

Partitioner:

 
/**
 
 * 按照key的大小来划分区间，当然，key 是 int值
 
 *
 
 * @author zhangdonghao
 
 *
 
 */
 
public class KeySectionPartitioner<K, V> extends Partitioner<K, V> {
 
 
 
public KeySectionPartitioner() {
 
}
 
 
 
@Override
 
public int getPartition(K key, V value, int numReduceTasks) {
 
    /**
 
     * int值的hashcode还是自己本身的数值
 
     */
 
    //这里我认为大于maxValue的就应该在第一个分区
 
    int maxValue = 50;
 
    int keySection = 0;
 
    // 只有传过来的key值大于maxValue 并且numReduceTasks比如大于1个才需要分区，否则直接返回0
 
    if (numReduceTasks > 1 && key.hashCode() < maxValue) {
 
        int sectionValue = maxValue / (numReduceTasks - 1);
 
        int count = 0;
 
        while ((key.hashCode() - sectionValue * count) > sectionValue) {
 
            count++;
 
        }
 
        keySection = numReduceTasks - 1 - count;
 
    }
 
    return keySection;
 
}
 
 
 
}

Comparator：

 
/**
 
 * int的key按照降序排列
 
 *
 
 * @author zhangdonghao
 
 *
 
 */
 
public class IntKeyAscComparator extends WritableComparator {
 
 
 
protected IntKeyAscComparator() {
 
    super(IntWritable.class, true);
 
 
 
}
 
 
 
@Override
 
public int compare(WritableComparable a, WritableComparable b) {
 
    return -super.compare(a, b);
 
}
 
 
 
}

job的关键设置：

 
/**
 
     * 这里是map输出的key和value类型
 
     */
 
    job.setOutputKeyClass(IntWritable.class);
 
    job.setOutputValueClass(Text.class);
 
 
 
    job.setMapperClass(SortIntValueMapper.class);
 
    // job.setCombinerClass(WordCountReduce.class);
 
    job.setReducerClass(SortIntValueReduce.class);
 
    // key按照降序排列
 
    job.setSortComparatorClass(IntKeyAscComparator.class);
 
 
 
    job.setPartitionerClass(KeySectionPartitioner.class);
 
 
 
    job.setInputFormatClass(TextInputFormat.class);
 
    job.setOutputFormatClass(TextOutputFormat.class);
 
            /**
 
              *这里可以放输入目录数组，也就是可以把上一个job所有的结果都放进去
 
             **/
 
            FileInputFormat.setInputPaths(job, inputPath);
 
 
 
    FileOutputFormat.setOutputPath(job,outputPath);