hadoop的自定义分组实现 （Partition机制）

       hadoop开发中我们会遇到类似这样的问题，比如 如何将不同省份的手机号分别输出到不同的文件中，本片文章将对hadoop内置的Partition类进行重写以解决这个问题。

　　MapReduce的使用者通常会指定Reduce任务和Reduce任务输出文件的数量（R）。用户在中间key上使用分区函数来对数据进行分区，之后在输入到后续任务执行进程。Hadoop中自带了一个默认的分区类HashPartitioner，它继承了Partitioner类，提供了一个getPartition的方法，它的定义如下所示：

    

 有些人死活不明白 key.hashCode() & Integer.MAX_VALUE) % numReduceTasks; 这段代码到底是怎么运算的，不要紧 ，我们main方法运行一下不久完了吗。

public class Txt {
/*
 * 将key均匀分布在ReduceTasks上，举例如果Key为Text的话，Text的hashcode方法跟String的基本一致，
 * 都是采用的Horner公式计算，得到一个int，string太大的话这个int值可能会溢出变成负数，
 * 所以与上Integer.MAX_VALUE（即0111111111111111），然后再对reduce个数取余，这样就可以让key均匀分布在reduce上。
 */
	public static void main(String[] args) {
		String key = "a,b,c,d,e,f,sdf,hth,iu,44,efwfqegergegew,h,ww,b,mm,lwefwefwfwefwefkj";
		String[] fields = key.split(",");
		int numReduceTasks = 4 ; 
		for (int i = 0; i < 16; i++) {
			int j = ( fields[i].hashCode() & Integer.MAX_VALUE) % numReduceTasks; 
			System.out.println("与结果："+(fields[i].hashCode() & Integer.MAX_VALUE)+" --> key值： "+fields[i]+" 所在区间数 :"+j);
		}
	}
}

结果 ： 

从结果我们简单明了的看出，通过这个算法的key具体是分布到那个区间，有几个区间，就是靠你的 reducetasks值决定的，如上图代码我们写死reducetasks数量为4，也就是 4个reduce ,  那么输出结果为 0 ， 1， 2， 3 个数值， 既为 4个区间。各个key值也较为均匀的分布再来 0，1，2，3 这四个区间之间的任意一个。

1，自定义 partitioner , 这是一坨数据，我们将根据相同省份的手机号放到不同文件中，省份根据手机号前三位判断。

    

2, 继承重写Partitioner中的getPartition()方法，根据key不同值返回不同 int 值， 共4组。

    public class AreaPartitioner<KEY, VALUE> extends Partitioner<KEY, VALUE>{
private static HashMap<String,Integer> map = new HashMap<>();
static{
map.put("135", 0);
map.put("136", 1);
map.put("137", 2);
map.put("150", 3);  //其余情况既返回4
}
//map数据分组机制 hash(key)%1 == 0 ,既只有一组，所有手机号都放到一个分组里面
//现在可 返回  0 1 2 3  ，既 总共4组
//main方法中控制 reduce 任务数
@Override
public int getPartition(KEY key, VALUE value, int numPartitions) {
//从key中拿到手机号，不同的省份返回不同的组号
int a  = map.get(key.toString().substring(0, 3))==null?4:map.get(key.toString().substring(0, 3));
return a;
}
    }

   3,  在main方法中定义reduce的任务数量， 改数量大于等于 你的分组数 4 。

    public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);
job.setJarByClass(FlowSumArea.class);
job.setMapperClass(FlowSumAreaMapper.class);
job.setReducerClass(FlowSumAreaReducer.class);
//设置我们自定义的分组逻辑定义
job.setPartitionerClass(AreaPartitioner.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(FlowBean.class);
//设置reduce的任务并发数，应该跟分组的数量保持一致
job.setNumReduceTasks(4);
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
System.exit(job.waitForCompletion(true)?0:1);

}

4  ， 重新打jar包， 在虚拟机上运行下，如果看到结果产生了多个文件，既为成功。

5， 这里的流程原理就是 haoop中 mapreduce中间过程 ， 叫做shuffle , 下图是我总结的流程图，可以参考看下 如果写的不对请指出，谢谢 。 

mappereduce原理解析图