MapReduce之topN

适用场景：

1.这个模式需要一个比较两条记录的比较函数。也就是说，我们必须得通过比较确认两条记录中哪一个更大一些。

2.输出记录数相对于输入记录数将会是异常的小，否则获得整个数据集的全排序将会更有意义。

结构：

这个模式同时使用了mapper和reducer。mapper任务找出其本地的top K，然后所有独立的top K集合在reducer中做最后的top K运算。因为在mapper中输出的数据记录最多是K条，而K通常相对较小，所以我们只需要一个reducer来处理最后的运算。

性能分析：

top 10模式的性能通常是很好的，但是有一些重要的局限性需要考虑。大多数局限性都来源于：不管这个模式需要处理的记录数有多少，它都只能使用一个reducer。需要特别注意的是：单一reducer需要处理的记录数目。每个map任务会输出K条记录，当这个作业由M个map任务组成时，这个reducer需要处理K*M条记录，这个值可能很大，

下面是map reduce写的top 10示例

输入文件如下：

10 9 8 7 6 5 1 2 3 4

11 12 13 14 15 20 19 18 17 16

最终得到如下结果：

我们来看代码：

package com.mr.top10;

import java.io.IOException;
import java.net.URI;
import java.util.StringTokenizer;
import java.util.TreeMap;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
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.output.FileOutputFormat;

/**
 * @author luobao
 *
 */
public class Top10 {
	public static class TopTenMapper extends
			Mapper<Object, Text, NullWritable, IntWritable> {
		private TreeMap<Integer, String> repToRecordMap = new TreeMap<Integer, String>();

		public void map(Object key, Text value, Context context) {
			StringTokenizer itr = new StringTokenizer(value.toString());
			while (itr.hasMoreTokens()) {
				repToRecordMap.put(Integer.parseInt(itr.nextToken()), " ");
				if (repToRecordMap.size() > 10) {
					repToRecordMap.remove(repToRecordMap.firstKey());
				}
			}
		}

		protected void cleanup(Context context) {
			for (Integer i : repToRecordMap.keySet()) {
				try {
					context.write(NullWritable.get(), new IntWritable(i));
				} catch (Exception e) {
					e.printStackTrace();
				}
			}
		}
	}

	public static class TopTenReducer extends
			Reducer<NullWritable, IntWritable, NullWritable, IntWritable> {
		private TreeMap<Integer, String> repToRecordMap = new TreeMap<Integer, String>();

		public void reduce(NullWritable key, Iterable<IntWritable> values,
				Context context) throws IOException, InterruptedException {
			for (IntWritable value : values) {
				repToRecordMap.put(value.get(), " ");
				if (repToRecordMap.size() > 10) {
					repToRecordMap.remove(repToRecordMap.firstKey());
				}
			}
			for (Integer i : repToRecordMap.keySet()) {
				context.write(NullWritable.get(), new IntWritable(i));
			}
		}
	}

	public static void main(String[] args) throws Exception {
		Configuration conf = new Configuration();
		String ipPre = "hdfs://192.168.40.191:9000/";
		removeOutput(conf, ipPre);
		Job job = Job.getInstance(conf);
		job.setJarByClass(Top10.class);
		job.setMapperClass(TopTenMapper.class);
		job.setReducerClass(TopTenReducer.class);
		job.setNumReduceTasks(1);

		job.setMapOutputKeyClass(NullWritable.class);// map阶段的输出的key
		job.setMapOutputValueClass(IntWritable.class);// map阶段的输出的value

		job.setOutputKeyClass(Text.class);// reduce阶段的输出的key
		job.setOutputValueClass(IntWritable.class);// reduce阶段的输出的value

		FileInputFormat.addInputPath(job, new Path(ipPre + "input/top10"));
		FileOutputFormat.setOutputPath(job, new Path(ipPre + "output"));
		System.exit(job.waitForCompletion(true) ? 0 : 1);
	}

	private static void removeOutput(Configuration conf, String ipPre)
			throws IOException {
		String outputPath = ipPre + "output";
		FileSystem fs = FileSystem.get(URI.create(outputPath), conf);
		Path path = new Path(outputPath);
		if (fs.exists(path)) {
			fs.deleteOnExit(path);
		}
		fs.close();
	}
}