Hadoop应用——sort

hadoop排序可以分为以下四种排序：
1、普通排序
1）MapReduce本身自带排序功能
2）IntWritable，LongWritable，Text等实现了WritableComparable类型的对象，都是可以排序的。
2、部分排序
map和reduce处理过程中包含了默认对key的排序，那么如果不要求全排序，可以直接把结果输出，每个输出文件中包含的就是按照key进行排序的结果
3、全局排序
1）Hadoop平台没有提供全局数据排序，而在大规模数据处理中进行数据的全局排序是非常普遍的需求。
2）使用hadoop进行大量的数据排序最直观的方法是把文件所有内容给map之后，map不做任何处理，直接输出给一个reduce，利用hadoop的自己的shuffle机制，对所有数据进行排序，而后由reduce直接输出。
3）主要思路就是将数据按照区间进行分割，比如对整数排序，[0,3300)的在partition 0中，(3300,6600]在partition 1中，剩下的在partition 2中
举例如下：
MyMapper.java

package com.sort;

import java.io.IOException;

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

public class MyMapper extends Mapper<LongWritable, Text, LongWritable, NullWritable> {

    @Override
    protected void map(LongWritable key, Text value,Context context)
            throws IOException, InterruptedException {
        String[] values = value.toString().split("\\s+") ;
        context.write(new LongWritable(Long.valueOf(values[0])), NullWritable.get()) ;
    }

}

MyPartitioner.java

package com.sort;

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.mapreduce.Partitioner;

public class MyPartitioner extends Partitioner<LongWritable, NullWritable> {

    @Override
    public int getPartition(LongWritable key, NullWritable value, int numPartitions) {
        if(key.get() <= 3300){
            return 0 % numPartitions ;
        }else if(key.get() >3300 && key.get() < 6600){
            return 1 % numPartitions ;
        }else{
            return 2 % numPartitions ;
        }
    }

}

MyReducer.java

package com.sort;

import java.io.IOException;

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.mapreduce.Reducer;

public class MyReducer extends Reducer<LongWritable, NullWritable, LongWritable, NullWritable> {

    @Override
    protected void reduce(LongWritable key, Iterable<NullWritable> value,Context context)
            throws IOException, InterruptedException {
        context.write(key,NullWritable.get()) ;
    }

}

TestSort.java

package com.sort;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.filecache.DistributedCache;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;


public class TestSort {
    public static void main(String args[]) throws Exception{
        Configuration conf = new Configuration();
        String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
        if (otherArgs.length != 2 ) {
          System.err.println("Usage: wordcount <in>  <out>");
          System.exit(2);
        }
        Job job = new Job(conf, "Test Sort");
        job.setJarByClass(TestSort.class);
        job.setMapperClass(MyMapper.class);
        job.setPartitionerClass(MyPartitioner.class) ;
        job.setReducerClass(MyReducer.class) ;
        job.setNumReduceTasks(3) ;

        job.setMapOutputKeyClass(LongWritable.class) ;
        job.setMapOutputValueClass(NullWritable.class) ;

        job.setOutputKeyClass(LongWritable.class) ;
        job.setOutputValueClass(NullWritable.class) ;

        FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
        FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
        System.exit(job.waitForCompletion(true) ? 0 : 1);
    }
}

在数据分布均匀的情况下，每个分区内的数据量基本相同。这种就是比较理想的情况下，但是实际中数据往往分布不均匀，出现了数据倾斜的情况，这时按照之前的分区划分数据就不合适了，此时就需要一定的帮助——采样器。
我们可以归纳出这样一个用hadoop对大量数据排序的步骤：
1） 对待排序数据进行抽样；
2） 对抽样数据进行排序，产生标尺；
3） Map对输入的每条数据计算其处于哪两个标尺之间；将数据发给对应区间ID的reduce
4） Reduce将获得数据直接输出。

4、二次排序
MapReduce框架在把记录到达reducers之前会将记录按照键排序。对于任意一个特殊的键，然而，值是不排序的。甚至是，值在两次执行中的顺序是不一样的，原因是它们是从不同的map中来的，这些不同的map可能在不同的执行过程中结束的先后顺序不确定。通常情况下，大多数的MapReduce程序的reduce函数不会依赖于值的顺序。二次排序是在键排序的基础上，在对值进行排序