MapReduce 算法 —— 二级排序

英文原文：MapReduce Algorithms – Secondary Sorting

在这篇文章里，我们将继续实现《利用MapReduce玩转数据密集型文本处理》这本书中提到的算法。本系列的其它文章如下:

1. 利用MapReduce实现数据密集型文本处理
2. 利用MapReduce实现数据密集型文本处理 - 本地汇聚第二部分
3. 利用MapReduce实现共生矩阵(译者注: 共生矩阵，Co-Occurrence Matrix，见Wikipedia或百度)
4. MapReduce算法 - 反序模式(Order Inversion)

这篇文章将要介绍的是书中第三章提到的二级排序。大家知道，Hadoop在将Mapper产生的数据输送给Reducer之前，会自动对它们进行排序，那么，如果我们还希望按值排序，应该怎么做呢？答案当然是: 二级排序。通过对key对象的格式进行小小的修改，二级排序可以在排序阶段将值的作用也施加进去。我们有两种不同的方法可以实现它。

第一种方法是，Reducer将给定key的所有值都缓存起来，然后对它们再做一个Reducer内排序。但是，由于Reducer需要保存给定key的所有值，可能会导致出现内存耗尽的错误。

第二种方法是，将值的一部分或整个值加入原始key，生成一个合成key。这两种方法各有优势，第一种方法可能会更快一些(但有内存耗尽的危险)，第二种方法则是将排序的任务交给MapReduce框架，更符合Hadoop/Reduce的设计思想。这篇文章里选择的是第二种。我们将编写一个Partitioner，确保拥有相同key(原始key，不包括添加的部分)的所有数据被发往同一个Reducer，还将编写一个Comparator，以便数据到达Reducer后即按原始key分组。

从值到key的转换

生成组合key的过程很简单。我们需要先分析一下，在排序时需要把值的哪些部分考虑在内，然后，把它们加进key里去。随后，再修改key类的compareTo方法或是Comparator类，确保排序的时候使用这个组合而成的key。为了便于说明，我们将重新访问气候数据集，把温度加入到key里去(原始key是年月的组合)。这样，我们就可以得到一个给定月最冷天的列表。这个例子的灵感来自于Hadoop, The Definitive Guide这本书的二级排序示例。对于这个目标，可能会有其它一些更好的方案，但用来演示二级排序已经足够了。

Mapper代码

在我们的Mapper代码里，已经将年和月组合在key里，现在需要将温度也放进去。因为这样一来，值被放进了key里，所以Mapper输出的将是一个NullWritable，而不是温度。

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

public class SecondarySortingTemperatureMapper  extends Mapper<LongWritable, Text, TemperaturePair, NullWritable> {        private TemperaturePair temperaturePair =  new TemperaturePair();      private NullWritable nullValue = NullWritable.get();      private static final int MISSING =  9999 ; @Override      protected void map(LongWritable key, Text value, Context context)  throws IOException, InterruptedException {          String line = value.toString();          String yearMonth = line.substring( 15 ,  21 );            int tempStartPosition =  87 ;            if (line.charAt(tempStartPosition) ==  '+' ) {              tempStartPosition +=  1 ;          }            int temp = Integer.parseInt(line.substring(tempStartPosition,  92 ));            if (temp != MISSING) {              temperaturePair.setYearMonth(yearMonth);              temperaturePair.setTemperature(temp);              context.write(temperaturePair, nullValue);          }      } }

到目前为止，我们已经把温度加到了key里，为二级排序搭好了发挥的舞台。现在需要写点代码，以便在排序时把温度考虑进去。我们有两种选择，一是写一个Comparator类，二是修改TemperaturePair类的compareTo方法(TemperaturePair实现WritableComparable)。一般建议大家选择前者，不过考虑到这里的TemperaturePair就是写来演示二级排序的，所以我们这里选择了后者。

?

1 2 3 4 5 6 7 8

@Override      public int compareTo(TemperaturePair temperaturePair) {          int compareValue =  this .yearMonth.compareTo(temperaturePair.getYearMonth());          if (compareValue ==  0 ) {              compareValue = temperature.compareTo(temperaturePair.getTemperature());          }          return compareValue;      }

如果需要按降序排，只要把结果乘于-1就行了。好，现在我们已经完成了排序的部分，接下来是Partitioner。

Partitioner代码

为了确保在发送数据给Reducer时只有原始key起作用(译者注: 组合key中的值部分只用在排序)，我们需要再写一个Partitioner。代码很简单，在计算需要将数据送往哪个Reducer时，只将yearMonth放进去。

?

1 2 3 4 5 6

public class TemperaturePartitioner  extends Partitioner<TemperaturePair, NullWritable>{      @Override      public int getPartition(TemperaturePair temperaturePair, NullWritable nullWritable,  int numPartitions) {          return temperaturePair.getYearMonth().hashCode() % numPartitions;      } }

现在，我们已经通过Partitioner，确保了相同年月的数据抵达同一个Reducer。下面需要考虑分组的情况。

分组比较器

数据抵达Reducer时，按key分组。我们需要确保分组时仅仅依据原始key的部分，通过自定义GroupingComparator来实现。在这个Comparator对象里，我们在只使用TemperaturePair类的yearMonth字段。

?

1 2 3 4 5 6 7 8 9 10 11

public class YearMonthGroupingComparator  extends WritableComparator {      public YearMonthGroupingComparator() {          super (TemperaturePair. class ,  true );      }      @Override      public int compare(WritableComparable tp1, WritableComparable tp2) {          TemperaturePair temperaturePair = (TemperaturePair) tp1;          TemperaturePair temperaturePair2 = (TemperaturePair) tp2;          return temperaturePair.getYearMonth().compareTo(temperaturePair2.getYearMonth());      } }

结果

我们二级排序的结果如下:

?

1 2 3 4 5 6 7 8 9 10 11 12 13

new -host- 2 :sbin bbejeck$ hdfs dfs -cat secondary-sort/part-r- 00000 190101  - 206 190102  - 333 190103  - 272 190104  - 61 190105  - 33 190106  44 190107  72 190108  44 190109  17 190110  - 33 190111  - 217 190112  - 300

结论

虽然按值排序并不是很常用，但居安思危、有备无患总是没错的。我们也通过对Partitioner和GroupPartitioner的学习，对Hadoop的内部运作有了一些了解。感谢大家的耐心。

资源

• Jimmy Lin和Chris Dyer所写的: 利用MapReduce实现数据密集型处理
• Tom White所写的: Hadoop: The Definitive Guide
• 本文的源代码与测试用例
• Hadoop API
• 测试Apache Hadoop MapReduce任务的MRUnit