Hadoop Partition使用实例<转>

Hadoop Partition使用实例<转>
如何使用Hadoop的Partitioner
Hadoop里面的MapReduce编程模型，非常灵活，大部分环节我们都可以重写它的API，来灵活定制我们自己的一些特殊需求。

今天散仙要说的这个分区函数Partitioner，也是一样如此，下面我们先来看下Partitioner的作用：
对map端输出的数据key作一个散列，使数据能够均匀分布在各个reduce上进行后续操作，避免产生热点区。
Hadoop默认使用的分区函数是Hash Partitioner，源码如下：

[java] view plain copy
print?在CODE上查看代码片派生到我的代码片

/** 
 * Licensed to the Apache Software Foundation (ASF) under one 
 * or more contributor license agreements.  See the NOTICE file 
 * distributed with this work for additional information 
 * regarding copyright ownership.  The ASF licenses this file 
 * to you under the Apache License, Version 2.0 (the 
 * "License"); you may not use this file except in compliance 
 * with the License.  You may obtain a copy of the License at 
 * 
 *     http://www.apache.org/licenses/LICENSE-2.0 
 * 
 * Unless required by applicable law or agreed to in writing, software 
 * distributed under the License is distributed on an "AS IS" BASIS, 
 * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
 * See the License for the specific language governing permissions and 
 * limitations under the License. 
 */  

package org.apache.hadoop.mapreduce.lib.partition;  

import org.apache.hadoop.mapreduce.Partitioner;  

/** Partition keys by their {@link Object#hashCode()}. */  
public class HashPartitioner<K, V> extends Partitioner<K, V> {  

  /** Use {@link Object#hashCode()} to partition. */  
  public int getPartition(K key, V value,  
                          int numReduceTasks) {  
      //默认使用key的hash值与上int的最大值，避免出现数据溢出 的情况  
    return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;  
  }  

}  

大部分情况下，我们都会使用默认的分区函数，但有时我们又有一些，特殊的需求，而需要定制Partition来完成我们的业务，案例如下：
对如下数据，按字符串的长度分区，长度为1的放在一个，2的一个，3的各一个。

[java] view plain copy
print?在CODE上查看代码片派生到我的代码片

河南省;1  
河南;2  
中国;3  
中国人;4  
大;1  
小;3  
中;11  

这时候，我们使用默认的分区函数，就不行了，所以需要我们定制自己的Partition，首先分析下，我们需要3个分区输出，所以在设置reduce的个数时，一定要设置为3，其次在partition里，进行分区时，要根据长度具体分区，而不是根据字符串的hash码来分区。核心代码如下：
[java] view plain copy
print?在CODE上查看代码片派生到我的代码片

/** 
 * Partitioner 
 *  
 *  
 * */  
 public static class PPartition extends Partitioner<Text, Text>{   
    @Override  
    public int getPartition(Text arg0, Text arg1, int arg2) {  
         /** 
          * 自定义分区，实现长度不同的字符串，分到不同的reduce里面 
          *  
          * 现在只有3个长度的字符串，所以可以把reduce的个数设置为3 
          * 有几个分区，就设置为几 
          * */  

        String key=arg0.toString();  
        if(key.length()==1){  
            return 1%arg2;  
        }else if(key.length()==2){  
            return 2%arg2;  
        }else if(key.length()==3){  
            return 3%arg2;  
        }  



        return  0;  
    }  




 }  

全部代码如下：
[java] view plain copy
print?在CODE上查看代码片派生到我的代码片

package com.partition.test;  

import java.io.IOException;  

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.mapred.JobConf;  
import org.apache.hadoop.mapreduce.Job;  
import org.apache.hadoop.mapreduce.Mapper;  
import org.apache.hadoop.mapreduce.Partitioner;  
import org.apache.hadoop.mapreduce.Reducer;  
import org.apache.hadoop.mapreduce.lib.db.DBConfiguration;  
import org.apache.hadoop.mapreduce.lib.db.DBInputFormat;  
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;  
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;  
import org.apache.hadoop.mapreduce.lib.output.MultipleOutputs;  
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;  

import com.qin.operadb.PersonRecoder;  
import com.qin.operadb.ReadMapDB;  


/** 
 * @author qindongliang 
 *  
 * 大数据交流群：376932160 
 *  
 *  
 * **/  
public class MyTestPartition {  

    /** 
     * map任务 
     *  
     * */  
    public static class PMapper extends Mapper<LongWritable, Text, Text, Text>{  

        @Override  
        protected void map(LongWritable key, Text value,Context context)  
                throws IOException, InterruptedException {  
            // System.out.println("进map了");  
            //mos.write(namedOutput, key, value);  
            String ss[]=value.toString().split(";");  

            context.write(new Text(ss[0]), new Text(ss[1]));  



        }  


    }  

    /** 
     * Partitioner 
     *  
     *  
     * */  
     public static class PPartition extends Partitioner<Text, Text>{   
        @Override  
        public int getPartition(Text arg0, Text arg1, int arg2) {  
             /** 
              * 自定义分区，实现长度不同的字符串，分到不同的reduce里面 
              *  
              * 现在只有3个长度的字符串，所以可以把reduce的个数设置为3 
              * 有几个分区，就设置为几 
              * */  

            String key=arg0.toString();  
            if(key.length()==1){  
                return 1%arg2;  
            }else if(key.length()==2){  
                return 2%arg2;  
            }else if(key.length()==3){  
                return 3%arg2;  
            }  



            return  0;  
        }  




     }  


     /*** 
      * Reduce任务 
      *  
      * **/  
     public static class PReduce extends Reducer<Text, Text, Text, Text>{  
         @Override  
        protected void reduce(Text arg0, Iterable<Text> arg1, Context arg2)  
                throws IOException, InterruptedException {  

              String key=arg0.toString().split(",")[0];  
             System.out.println("key==> "+key);  
             for(Text t:arg1){  
                 //System.out.println("Reduce:  "+arg0.toString()+"   "+t.toString());  
                 arg2.write(arg0, t);  
             }  


        }  



     }  


     public static void main(String[] args) throws Exception{  
         JobConf conf=new JobConf(ReadMapDB.class);  
         //Configuration conf=new Configuration();  
         conf.set("mapred.job.tracker","192.168.75.130:9001");  
        //读取person中的数据字段  
         conf.setJar("tt.jar");  
        //注意这行代码放在最前面，进行初始化，否则会报  


        /**Job任务**/  
        Job job=new Job(conf, "testpartion");  
        job.setJarByClass(MyTestPartition.class);  
        System.out.println("模式：  "+conf.get("mapred.job.tracker"));;  
        // job.setCombinerClass(PCombine.class);  
         job.setPartitionerClass(PPartition.class);  

         job.setNumReduceTasks(3);//设置为3  
         job.setMapperClass(PMapper.class);  
        // MultipleOutputs.addNamedOutput(job, "hebei", TextOutputFormat.class, Text.class, Text.class);  
        // MultipleOutputs.addNamedOutput(job, "henan", TextOutputFormat.class, Text.class, Text.class);  
         job.setReducerClass(PReduce.class);  
         job.setOutputKeyClass(Text.class);  
         job.setOutputValueClass(Text.class);  

        String path="hdfs://192.168.75.130:9000/root/outputdb";  
        FileSystem fs=FileSystem.get(conf);  
        Path p=new Path(path);  
        if(fs.exists(p)){  
            fs.delete(p, true);  
            System.out.println("输出路径存在，已删除！");  
        }  
        FileInputFormat.setInputPaths(job, "hdfs://192.168.75.130:9000/root/input");  
        FileOutputFormat.setOutputPath(job,p );  
        System.exit(job.waitForCompletion(true) ? 0 : 1);    


    }  



}  

运行情况如下：

[java] view plain copy
print?在CODE上查看代码片派生到我的代码片

模式：  192.168.75.130:9001  
输出路径存在，已删除！  
WARN - JobClient.copyAndConfigureFiles(746) | Use GenericOptionsParser for parsing the arguments. Applications should implement Tool for the same.  
INFO - FileInputFormat.listStatus(237) | Total input paths to process : 1  
WARN - NativeCodeLoader.<clinit>(52) | Unable to load native-hadoop library for your platform... using builtin-java classes where applicable  
WARN - LoadSnappy.<clinit>(46) | Snappy native library not loaded  
INFO - JobClient.monitorAndPrintJob(1380) | Running job: job_201404101853_0005  
INFO - JobClient.monitorAndPrintJob(1393) |  map 0% reduce 0%  
INFO - JobClient.monitorAndPrintJob(1393) |  map 100% reduce 0%  
INFO - JobClient.monitorAndPrintJob(1393) |  map 100% reduce 11%  
INFO - JobClient.monitorAndPrintJob(1393) |  map 100% reduce 22%  
INFO - JobClient.monitorAndPrintJob(1393) |  map 100% reduce 55%  
INFO - JobClient.monitorAndPrintJob(1393) |  map 100% reduce 100%  
INFO - JobClient.monitorAndPrintJob(1448) | Job complete: job_201404101853_0005  
INFO - Counters.log(585) | Counters: 29  
INFO - Counters.log(587) |   Job Counters   
INFO - Counters.log(589) |     Launched reduce tasks=3  
INFO - Counters.log(589) |     SLOTS_MILLIS_MAPS=7422  
INFO - Counters.log(589) |     Total time spent by all reduces waiting after reserving slots (ms)=0  
INFO - Counters.log(589) |     Total time spent by all maps waiting after reserving slots (ms)=0  
INFO - Counters.log(589) |     Launched map tasks=1  
INFO - Counters.log(589) |     Data-local map tasks=1  
INFO - Counters.log(589) |     SLOTS_MILLIS_REDUCES=30036  
INFO - Counters.log(587) |   File Output Format Counters   
INFO - Counters.log(589) |     Bytes Written=61  
INFO - Counters.log(587) |   FileSystemCounters  
INFO - Counters.log(589) |     FILE_BYTES_READ=93  
INFO - Counters.log(589) |     HDFS_BYTES_READ=179  
INFO - Counters.log(589) |     FILE_BYTES_WRITTEN=218396  
INFO - Counters.log(589) |     HDFS_BYTES_WRITTEN=61  
INFO - Counters.log(587) |   File Input Format Counters   
INFO - Counters.log(589) |     Bytes Read=68  
INFO - Counters.log(587) |   Map-Reduce Framework  
INFO - Counters.log(589) |     Map output materialized bytes=93  
INFO - Counters.log(589) |     Map input records=7  
INFO - Counters.log(589) |     Reduce shuffle bytes=93  
INFO - Counters.log(589) |     Spilled Records=14  
INFO - Counters.log(589) |     Map output bytes=61  
INFO - Counters.log(589) |     Total committed heap usage (bytes)=207491072  
INFO - Counters.log(589) |     CPU time spent (ms)=2650  
INFO - Counters.log(589) |     Combine input records=0  
INFO - Counters.log(589) |     SPLIT_RAW_BYTES=111  
INFO - Counters.log(589) |     Reduce input records=7  
INFO - Counters.log(589) |     Reduce input groups=7  
INFO - Counters.log(589) |     Combine output records=0  
INFO - Counters.log(589) |     Physical memory (bytes) snapshot=422174720  
INFO - Counters.log(589) |     Reduce output records=7  
INFO - Counters.log(589) |     Virtual memory (bytes) snapshot=2935713792  
INFO - Counters.log(589) |     Map output records=7  

运行后的结果文件如下：

其中，part-r-000000里面的数据
[java] view plain copy
print?在CODE上查看代码片派生到我的代码片

中国人 4  
河南省 1  

其中，part-r-000001里面的数据
[java] view plain copy
print?在CODE上查看代码片派生到我的代码片

中   11  
大   1  
小   3  

其中，part-r-000002里面的数据
[java] view plain copy
print?在CODE上查看代码片派生到我的代码片

中国  3  
河南  2  

至此，我们使用自定义的分区策略完美的实现了，数据分区了。

总结：引用一段话

(Partition)分区出现的必要性，如何使用Hadoop产生一个全局排序的文件？最简单的方法就是使用一个分区，但是该方法在处理大型文件时效率极低，因为一台机器必须处理所有输出文件，从而完全丧失了MapReduce所提供的并行架构的优势。事实上我们可以这样做，首先创建一系列排好序的文件；其次，串联这些文件（类似于归并排序）；最后得到一个全局有序的文件。主要的思路是使用一个partitioner来描述全局排序的输出。比方说我们有1000个1-10000的数据，跑10个ruduce任务， 如果我们运行进行partition的时候，能够将在1-1000中数据的分配到第一个reduce中，1001-2000的数据分配到第二个reduce中，以此类推。即第n个reduce所分配到的数据全部大于第n-1个reduce中的数据。这样，每个reduce出来之后都是有序的了，我们只要cat所有的输出文件，变成一个大的文件，就都是有序的了

基本思路就是这样，但是现在有一个问题，就是数据的区间如何划分，在数据量大，还有我们并不清楚数据分布的情况下。一个比较简单的方法就是采样，假如有一亿的数据，我们可以对数据进行采样，如取10000个数据采样，然后对采样数据分区间。在Hadoop中，patition我们可以用TotalOrderPartitioner替换默认的分区。然后将采样的结果传给他，就可以实现我们想要的分区。在采样时，我们可以使用hadoop的几种采样工具，RandomSampler,InputSampler,IntervalSampler。

   这样，我们就可以对利用分布式文件系统进行大数据量的排序了，我们也可以重写Partitioner类中的compare函数，来定义比较的规则，从而可以实现字符串或其他非数字类型的排序，也可以实现二次排序乃至多次排序。