3.2 Shuffle机制
在Map方法之后,Reduce方法之前的数据处理过程称之为Shuffle。
3.2.1 Shuffle机制:
shuffle过程:
(1)MapTask收集我们的map()方法输出的kv对,放到内存缓冲区中。
(2)从内存缓冲区不断溢出本地磁盘文件,可能会溢出多个文件。
(3)多个溢出文件会被合并成大的溢出文件。
(4)在溢出过程及合并的过程中,都要调用Partitioner进行分区和针对key进行排序。
(5)ReduceTask根据自己的分区号,去各个MapTask机器上取相应的结果分区数据。
(6)ReduceTask会取到同一个分区的来自不同MapTask的结果文件,ReduceTask会将这些文件再进行合并(归并排序)。
(7)合并成大文件后,Shuffle的过程也就结束了,后面进入ReduceTask的逻辑运算过程(从文件中取出一个一个的键值对Group,调用用户自定义的reduce()方法)。
3.2.2 Partition分区
Partition是用来指定map输出的key交给哪个reducer处理,默认通过对map输出的key去hashcode对指定的reduce个数取余。partition决定reduce数,业务又决定reduce数。
默认情况下,作业的ReduceNum=1,每一个Reduce对应生成一个结果文件。如果ReduceNum=0,则没有reduce阶段。
partition分区机制:
默认情况下,分区采用org.apache.hadoop.mapreduce.Partitioner
抽象类说明,分类器按照key进行分区,提供getPartition()方法用于获取当前key对应的分区号。通常情况下,采用hash分区,分区总数与reducer数量相同。
源码:
public class HashPartitioner<K, V> extends Partitioner<K, V> {
/** Use {@link Object#hashCode()} to partition. */
public int getPartition(K key, V value,int numReduceTasks) {
return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;
}
}
//这里的与Integer.MAX_VALUE做与运算代表处理负数,及与全1的数与,去掉负号
自定义partition:
eg:同序列化案例2.3中的文件phone_data.txt,期望将手机号136、137、138、139开头都分别放到一个独立的4个文件中,其他开头的放到一个文件中。
自定义分区类MyPartitioner.java,继承Partitioner类,输入泛型为map输出的kv对。
import com.atguigu.mr.flow.FlowBean;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Partitioner;
public class MyPartitioner extends Partitioner<Text, FlowBean> {
/**
* 对每一条KV对返回它们对应的分区号
*
* @param text 手机号
* @param flowBean 流量
* @param i
* @return
*/
@Override
public int getPartition(Text text, FlowBean flowBean, int i) {
String phone_head = text.toString().substring(0, 3);
switch (phone_head) {
case "136":
return 0;
case "137":
return 1;
case "138":
return 2;
case "139":
return 3;
default:
return 4;
}
}
}
在驱动类中定义Reduce的个数为5,并设置分区类
job.setNumReduceTasks(5);
job.setPartitionerClass(ProvincePartitioner.class);
提交到hadoop服务器验证:
分区成功。
3.2.3 WritableComparable比较器
WritableComparable是mapreduce的默认比较器,会调用compareTo方法。
MapTask和ReduceTask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序排序,且实现排序的方法是快速排序。
对于MapTask,它会将处理的结果暂时放在环形缓冲区中,当环形缓冲区使用率达到一定阈值后,在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,则溢出到磁盘上,否则存储在内存中。如果磁盘上的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的文件,如果内存中文件大小或数目超过一定阈值,则进行一次合并后将数据溢出写到磁盘上,当所有数据拷贝完毕后,ReduceTask统一对内存上和磁盘上的所有数据进行一次归并排序。
(1)部分排序:MapReduce根据输入记录的键对数据集进行排序,保证输出的每个文件内部有序。
(2)全排序:最终的输出结果只有一个文件,且文件内部有序。实现方式是实现一个ReduceTask。但该方法在处理大型文件时效率极低,因为一台机器处理所有文件,完全丧失了MapReduce所提供的并行架构。
(3)辅助排序:在Reduce端对key进行分组,应用于:在接受的key为bean对象时,想让一个或几个字段相同(全部字段相同的不比较)的key进入到同一个reduce方法时,可以才作用分组排序。
(4)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则为二次排序。
自定义实现WritableComparable
对案例2.3的结果再次按照总流量的大小进行排序。
方法1:使用默认Comparator,调用compareTo方法
实现WritableCompare接口,重写compareTo方法。
在原FlowBean类中修改为:
import org.apache.hadoop.io.WritableComparable;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
/**
* 实现WritableCompareable接口
*/
public class FlowBean implements WritableComparable<FlowBean> {
//...原FlowBean方法
/**
* 排序方法,按照总流量的降序进行排序
*
* @param o
* @return
*/
@Override
public int compareTo(FlowBean o) {
if (this.sumFlow < o.sumFlow) return 1;
else if (this.sumFlow == o.sumFlow) return 0;
else return -1;
}
}
CompareMapper.java
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
//注意传入的泛型顺序,Mapper会默认以key的位置进行排序,所以FlowBean在前
public class CompareMapper extends Mapper<LongWritable, Text, FlowBean, Text> {
private Text phone = new Text();
private FlowBean flow = new FlowBean();
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
String line = value.toString();
String[] fields = line.split("\t");
phone.set(fields[0]);
flow.setUpFlow(Long.parseLong(fields[1]));
flow.setDownFlow(Long.parseLong(fields[2]));
flow.setSumFlow(Long.parseLong(fields[3]));
context.write(flow, phone);
}
}
CompareReducer.java
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
//收到的数据时手机号在后,流量在前,输出的时候手机号在前。
public class CompareReducer extends Reducer<FlowBean, Text, Text, FlowBean> {
/**
* reduce收到的数据已经排完序了,直接输出
*
* @param key
* @param values
* @param context
* @throws IOException
* @throws InterruptedException
*/
@Override
protected void reduce(FlowBean key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
for (Text value : values) {
context.write(value, key);
}
}
}
CompareDriver.java
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.io.IOException;
public class CompareDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
Job job = Job.getInstance(new Configuration());
job.setJarByClass(CompareDriver.class);
job.setMapperClass(CompareMapper.class);
job.setReducerClass(CompareReducer.class);
job.setMapOutputKeyClass(FlowBean.class);
job.setMapOutputValueClass(Text.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(FlowBean.class);
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
boolean b = job.waitForCompletion(true);
System.exit(b ? 0 : 1);
}
}
输出结果:按照总流量降序进行输出
方法2:自己实现Comparator
FlowComparator.java
import org.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.io.WritableComparator;
public class FlowComparator extends WritableComparator {
protected FlowComparator() {
super(FlowBean.class, true);
}
@Override
public int compare(WritableComparable a, WritableComparable b) {
FlowBean fa = (FlowBean) a;
FlowBean fb = (FlowBean) b;
return Long.compare(fb.getSumFlow(), fa.getSumFlow());
}
}
在Driver中添加
job.setSortComparatorClass(FlowComparator.class);
调用自己实现的Comparator类。
3.2.4 Combiner
(1)Combiner时MR程序中Mapper和Reducer之外的一种组件。
(2)Combiner组件的父类就是Reducer。
(3)Combiner和Reducer的区别在于运行的位置。Combiner在每一个MapTask节点运行,Reducer是接受全局所有的Mapper输出结果。
(4)Combiner的意义就是对每一个MapTask的输出进行局部汇总,以减少网络传输量(IO)。
(5)Combiner能够应用的前提是不能影响最终的业务逻辑,而且Combiner的输出kv应该与Reducer的输入kv类型对应起来。
自定义实现Combiner方法:
需求:统计过程中对每一个MapTask的输出进行局部汇总,以减小网络传输量即采用Combiner功能。
方法一:
1)增加一个WordcountCombiner类继承Reducer。
2)在WordcountCombiner中汇总单词,将结果输出。
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
public class WordcountCombiner extends Reducer<Text, IntWritable, Text, IntWritable>{
IntWritable v = new IntWritable();
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
// 1 汇总
int sum = 0;
for(IntWritable value :values){
sum += value.get();
}
v.set(sum);
// 2 写出
context.write(key, v);
}
}
// 指定需要使用combiner,以及用哪个类作为combiner的逻辑
job.setCombinerClass(WordcountCombiner.class);
方法二:
将WordcountReducer作为Combiner在WordcountDriver驱动类中指定。
// 指定需要使用Combiner,以及用哪个类作为Combiner的逻辑
job.setCombinerClass(WordcountReducer.class);
运行结果:
使用前:
使用后:
3.2.5 GroupingComparator(辅助排序)
对Reduce阶段的数据根据某一个或几个字段进行分组。由于reduce阶段,如果key相同的一组,只取第一个key作为key,迭代所有的values。如果reduce的key是bean,我们只需要bean里面的某个属性相同就认为这样的key是相同的,这样就需要定义GroupComparator来辅助排序了。
自定义GroupingComparator分组:
需求:
由如下订单数据
现在需要求出每一个订单中最贵的商品。
1)输入数据
0000001 Pdt_01 222.8
0000002 Pdt_05 722.4
0000001 Pdt_02 33.8
0000003 Pdt_06 232.8
0000003 Pdt_02 33.8
0000002 Pdt_03 522.8
0000002 Pdt_04 122.4
2)期望输出
1 222.8
2 722.4
3 232.8
3)需求分析
(1)利用“订单id和成交金额”作为key,可以将Map阶段读取到的所有订单数据按照id升序排序,如果id相同再按照金额降序排序,发送到Reduce。
(2)在Reduce端利用groupingComparator将订单id相同的kv聚合成组,然后取第一个即是该订单中最贵商品,如图所示。
4)实现
1.定义JavaBean来存储订单信息
OrderBean.java
import org.apache.hadoop.io.WritableComparable;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
public class OrderBean implements WritableComparable<OrderBean> {
private String orderId;
private String productId;
private double price;
@Override
public String toString() {
return orderId + "\t" + productId + "\t" + price;
}
/**
* 排序逻辑:先按照订单排序,订单相同按照价格降序排列
*
* @param o
* @return
*/
@Override
public int compareTo(OrderBean o) {
int compare = this.orderId.compareTo(o.orderId);
if (compare != 0) {
return compare;
} else {
return Double.compare(o.price, this.price);
}
}
@Override
public void write(DataOutput dataOutput) throws IOException {
dataOutput.writeUTF(orderId);
dataOutput.writeUTF(productId);
dataOutput.writeDouble(price);
}
@Override
public void readFields(DataInput dataInput) throws IOException {
this.orderId = dataInput.readUTF();
this.productId = dataInput.readUTF();
this.price = dataInput.readDouble();
}
public String getOrderId() {
return orderId;
}
public void setOrderId(String orderId) {
this.orderId = orderId;
}
public String getProductId() {
return productId;
}
public void setProductId(String productId) {
this.productId = productId;
}
public double getPrice() {
return price;
}
public void setPrice(double price) {
this.price = price;
}
}
2.实现分组比较器,只使用bean中的订单编号作为分组依据
OrderComparator.java
import org.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.io.WritableComparator;
/**
* 按照订单编号对数据进行分组
*/
public class OrderComparator extends WritableComparator {
protected OrderComparator() {
super(OrderBean.class, true);
}
/**
* 分组比较器,按照相同订单进入一组进行比较
* @param a
* @param b
* @return
*/
@Override
public int compare(WritableComparable a, WritableComparable b) {
OrderBean oa = (OrderBean) a;
OrderBean ob = (OrderBean) b;
return oa.getOrderId().compareTo(ob.getOrderId());//在分组的时候只看订单是否一样
}
}
3.OrderMapper.java:
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
public class OrderMapper extends Mapper<LongWritable, Text, OrderBean, NullWritable> {
//输入全部封装到key中,value中没有数据,为NULLWritable
private OrderBean order = new OrderBean();
/**
* 封装OrderBean
*
* @param key
* @param value
* @param context
* @throws IOException
* @throws InterruptedException
*/
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//拆分
String[] fields = value.toString().split("\t");
//封装
order.setOrderId(fields[0]);
order.setProductId(fields[1]);
order.setPrice(Double.parseDouble(fields[2]));
//写出
context.write(order, NullWritable.get());
}
}
4.OrderReducer.java
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
public class OrderReducer extends Reducer<OrderBean, NullWritable, OrderBean, NullWritable> {
/**
* 取每个订单的最高价格
*
* @param key
* @param values
* @param context
* @throws IOException
* @throws InterruptedException
*/
@Override
protected void reduce(OrderBean key, Iterable<NullWritable> values, Context context) throws IOException, InterruptedException {
context.write(key, NullWritable.get());
}
}
5.OrderDriver.java
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.io.IOException;
public class OrderDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
Job job = Job.getInstance(new Configuration());
job.setJarByClass(OrderDriver.class);
job.setMapperClass(OrderMapper.class);
job.setReducerClass(OrderReducer.class);
job.setMapOutputKeyClass(OrderBean.class);
job.setMapOutputValueClass(NullWritable.class);
job.setOutputKeyClass(OrderBean.class);
job.setOutputValueClass(NullWritable.class);
job.setGroupingComparatorClass(OrderComparator.class);//设置分组比较器
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
boolean b = job.waitForCompletion(true);
System.exit(b ? 0 : 1);
}
}
5)输出结果
ps:修改reduce方法定义输出为排序之后的前几个订单。
protected void reduce(OrderBean key, Iterable<NullWritable> values, Context context) throws IOException, InterruptedException {
Iterator<NullWritable> iterator = values.iterator();
for (int i = 0; i < 2; i++) {
if (iterator.hasNext()) {
context.write(key, iterator.next());
}
}
}