一、概述
-
排序是MapReduce框架中最重要的操作之一。
-
MapTask和Reduce Task均会对数据按照key进行排序。该操作属于Hadoop的默认行为。任何应用程序中的数据均会被排序,而不管逻辑上是否需要。
-
默认排序是按照字典顺序排序,且实现该排序的方法是快速排序。
-
对于MapTask,它会将处理的结果暂时放到环形缓冲区中,当环形缓冲区使用率达到一定阈值后,再对缓冲区中的数据进行一次快速排序,并将这些有序数据溢写到磁盘上,而当数据处理完毕后,它会对磁盘上所有文件进行归并排序。
-
对于ReduceTask,它从每个MapTask.上远程拷贝相应的数据文件,如果文件大小超过一定阈值,则溢写磁盘上,否则存储在内存中。如果磁盘上文件数目达到一定阈值,则进行一次归并排序以生成一个更大文件;如果内存中文件大小或者数目超过一定阈值,则进行一次合并后将数据溢写到磁盘 上。当所有数据拷贝完毕后,Reduce Task统一对内存和磁盘上的所有数据进行一次归并排序。
二、排序分类
- 部分排序
MapReduce根据输入记录的键对数据集排序。保证输出的每个文件内部有序。 - 全排序
最终输出结果只有一个文件,且文件内部有序。实现方式是只设置一个ReduceTask. 但该方法在
处理大型文件时效率极低,因为-台机器处理所有文件,完全丧失了MapReduc e所提供的并行架构。 - 辅助排序: (GroupingComparator分组)
在Reduce端对key进行分组。应用于:在接收的key为bean对象时,想让一个或几个字段相同(全部
字段比较不相同)的key进入到同一个reduce方法时, 可以采用分组排序。 - 二次排序
在自定义排序过程中,如果compareTo中的判断条件为两个即为二次排序。
三、自定义排序WritableComparable原理分析
bean对象做为key传输,需要实现WritableComparable
接口重写compareTo
方法,就可以实现排序。
@Override
public int compareTo(FlowBean bean) {
int result;
// 按照总流量大小,倒序排列
if (this.sumFlow > bean.getSumFlow()) {
result = -1;
}else if (this.sumFlow < bean.getSumFlow()) {
result = 1;
}else {
result = 0;
}
return result;
}