hadoop patition 分区简介和自定义

最新推荐文章于 2024-04-17 15:52:39 发布

仰望星空的我

最新推荐文章于 2024-04-17 15:52:39 发布

阅读量918

点赞数

分类专栏：大数据数据倾斜

大数据数据倾斜专栏收录该内容

15 篇文章 1 订阅

订阅专栏

0 简介：

0) 类比于新生<k,v>入学，不同的学生实现分配好了宿舍，然后进入到不同的宿舍(reduce task)

如果map发送来的数据量太大，意味着这些数据都到这个默认reduce节点执行，没有发挥reduce

并行计算的目的，IO压力也很大。这就是分区的原因。

a) 默认下分配一个区

b) 分配几个区，则对应几个reduce任务，每个任务在执行的时候都会公用reduce内的代码

c) 自定义分区下返回的分区数量一定要和定义的reduce任务相同，具体来说就是：

自定义分区类 extends HashPartitioner，重写getPartition时，返回的分支个数要和

job.setNumReduceTasks(X); 中的X个数相同

如果分区格式和reducetask任务个数不同下，在hadoop不同版本中的运行情况如下：

Java代码

收藏代码

HashPartitioner.java key.hashcode() & integer.maxvalue % numreducetasks = 模1恒等于0 返回值恒为0 返回值是分区的标记或者索引 part-00000 part-00001 等等
默认的是job.setPartitionerClass(HashPartitioner.class) 自定义分区返回的是索引数字，从0开始依次递增1返回。
以手机号和座机号写在一个文件中为例：
如果分区数量大于/小于 reduce数量时,
2个分区 1个reduce ---> hadoop2中依旧能正常执行只不过不会分区所有数据都写到一个输出中 hadoop1中会报错
2个分区 4个reduce ---> hadoop2中依旧能正常执行输出结果写到4个区中，第一个分区结果为手机号第二个为座机号剩下两个为空文件所有数据都写到一个输出中

d) 需要打包放在hadoop环境内运行，否则在本机运行eg:eclipse环境下，会报错如下：

Java代码

收藏代码

14/12/09 14:12:58 WARN mapred.LocalJobRunner: job_local_0001
java.io.IOException: Illegal partition for 84138413 (1)

map-shuffle-reduce过程图如下：

1 代码

结果处理成2个区，一个是放手机号的一个是放固话的：

Java代码

收藏代码

package partition;
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.Text;
import org.apache.hadoop.io.Writable;
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;
/**
*
* 实现单词计数功能，指定分区个数（分区下必须通过打包方式来运行）
* 1 自定义规约
* 1.1 规约定义好处：Combiner发生在Map端，对数据进行规约处理，数据量变小了，传送到reduce端的数据量变小了，传输时间变短，作业的整体时间变短
* 1.2 因为不是所有的算法都适合使用Combiner处理，例如求平均数,因此Combiner不作为MR运行的标配
* 1.3 Combiner本身已经执行了reduce操作仅仅是处理一个任务所接收的文件中的数据，不能跨map任务执行；只有reduce可以接收多个map任务处理的数据
* 这也是Combiner本身已经执行了reduce操作，为什么在Reducer阶段还要执行reduce操作的原因。
* 2 自定义分区
* 2.1 分区运行必须打成jar运行
* 2.2 map分几个区，则reduce有几个任务数量，每个reduce任务将对应一个输出文件
* 2.3 分区不是越多越好，要根据业务需求，分区太多，也会造成资源创建，等待等消耗
* 2.4 多个reduce任务在运行的好处是提高整体job的运行效率
*
* 结果处理成2个区，一个是放手机号的一个是放固话的
* [root@master ~]# hadoop fs -ls /out
Warning: $HADOOP_HOME is deprecated.
Found 4 items
-rw-r--r-- 1 root supergroup 0 2014-08-24 16:02 /out/_SUCCESS
drwxr-xr-x - root supergroup 0 2014-08-24 16:02 /out/_logs
-rw-r--r-- 1 root supergroup 556 2014-08-24 16:02 /out/part-r-00000
-rw-r--r-- 1 root supergroup 79 2014-08-24 16:02 /out/part-r-00001
*/
public class KpiAppPatition {
// 0 定义操作地址
static final String FILE_ROOT = "hdfs://master:9000/";
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{
Configuration conf = new Configuration();
FileSystem fileSystem = FileSystem.get(new URI(FILE_ROOT),conf);
Path outpath = new Path(OUT_PATH);
if(fileSystem.exists(outpath)){
fileSystem.delete(outpath, true);
}
// 0 定义干活的人
Job job = new Job(conf);
job.setJarByClass(KpiAppPatition.class);
// 1.1 告诉干活的人输入流位置读取hdfs中的文件。每一行解析成一个<k,v>。每一个键值对调用一次map函数
FileInputFormat.setInputPaths(job, INPUT_PATH);
// 指定如何对输入文件进行格式化，把输入文件每一行解析成键值对
job.setInputFormatClass(TextInputFormat.class);
//1.2 指定自定义的map类
job.setMapperClass(MyMapper2.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(KpiWritable2.class);
//1.3 分区
job.setPartitionerClass(KpiPartitioner.class);
job.setNumReduceTasks(2);
//1.4 TODO 排序、分组目前按照默认方式执行
//1.5 TODO 规约
//2.2 指定自定义reduce类
job.setReducerClass(MyReducer2.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(LongWritable.class);
//2.3 指定写出到哪里
FileOutputFormat.setOutputPath(job, outpath);
job.setOutputFormatClass(TextOutputFormat.class);
// 让干活的人干活
job.waitForCompletion(true);
}
}
// 自定义分区写法如注意返回的值是从0开始依次累加1的int值，不能跳跃
// 否则报错说找不到编号为X的
// 你的reduce有几个，那么就会从0开始以1为累加数字返回对应个数的分区编码然后
// 在去你代码里找对应编码代码中随意返回patition的num 找不到就会报错
class KpiPartitioner extends HashPartitioner<Text, KpiWritable2>{
@Override
public int getPartition(Text key, KpiWritable2 value, int numReduceTasks) {
System.out.println("KpiPartitioner numReduceTasks is : " + numReduceTasks );
return (key.toString().length()==11)?0:1; // key为key2 即电话号码，这里如果是手机号（11位）则返回0，否则返回1 这样会生成2个分区，1个存放手机号的 1个存放固话的
}
}
/**
* 将 <k1,v1> ---> <k2,v2>
* @author zm
*/
class MyMapper2 extends Mapper<LongWritable, Text, Text, KpiWritable2>{
/**
* key 表示k1 即当前行号
* value 表示v1 即当前行内容
*/
@Override
protected void map(LongWritable k1, Text v1, Context context)
throws IOException, InterruptedException {
//格式: 1363157990043 13925057413 00-1F-64-E1-E6-9A:CMCC 120.196.100.55 t3.baidu.com 搜索引擎 69 63 11058 48243 200
String[] elements = v1.toString().split("\t");
String phoneNum = elements[1];
KpiWritable2 v2 = new KpiWritable2(elements[6],elements[7],elements[8],elements[9]);
Text k2 = new Text(phoneNum);
context.write(k2, v2);
}
}
/**
* 将 <k2,v2> ---> <k3,v3>
* @author zm
*/
class MyReducer2 extends Reducer<Text, KpiWritable2,Text, LongWritable>{
protected void reduce(Text k2, Iterable<KpiWritable2> v2s,
org.apache.hadoop.mapreduce.Reducer.Context context)
throws IOException, InterruptedException {
long upPackNum = 0L;
long downPackNum = 0L;
long upPayLoad = 0L;
long downPayLoad = 0L;
for(KpiWritable2 kpiWritable1 : v2s){
upPackNum = kpiWritable1.upPackNum;
downPackNum = kpiWritable1.downPackNum;
upPayLoad = kpiWritable1.upPayLoad;
downPayLoad = kpiWritable1.downPayLoad;
}
KpiWritable2 v3 = new KpiWritable2(upPackNum+"",downPackNum+"",upPayLoad+"",downPayLoad+"");
context.write(k2, v3);
}
}
/**
* 自定义类型类，里面封装上网流量信息
* @author zm
*
*/
class KpiWritable2 implements Writable{
long upPackNum; // 上传数据包个数
long downPackNum;// 下载数据包个数
long upPayLoad;// 上传数据
long downPayLoad;// 下载数据
public KpiWritable2(String upPackNum,String downPackNum,String upPayLoad,String downPayLoad){
this.upPackNum = Long.parseLong(upPackNum);
this.downPackNum = Long.parseLong(downPackNum);
this.upPayLoad = Long.parseLong(upPayLoad);
this.downPayLoad = Long.parseLong(downPayLoad);
}
public KpiWritable2(){}
@Override
public void write(DataOutput out) throws IOException {
// 先写后读
out.writeLong(this.upPackNum);
out.writeLong(this.downPackNum);
out.writeLong(this.upPayLoad);
out.writeLong(this.downPayLoad);
}
@Override
public void readFields(DataInput in) throws IOException {
// 读取的时候，按照写方法的顺序( 队列方式) 顺序读取
this.upPackNum = in.readLong();
this.downPackNum = in.readLong();
this.upPayLoad = in.readLong();
this.downPayLoad = in.readLong();
}
@Override
public String toString() {
return upPackNum + "\t" + downPackNum + "\t" + upPayLoad + "\t" + downPayLoad;
}
}