目录
定义
Map方法之后,Reduce 方法之前的数据处理过程称之为 Shuffle。
总图
文字流程
- 从Map方法出来之后,数据首先打上分区的编号,再进入环形缓冲区(默认100M,左侧存索引,右侧存数据。到达80%进行反向溢写,提高利用率)
- 溢写之前,对数据进行字典排序,对key的索引进行快排。
- 然后进行第一次溢写,产生index文件和落地的out文件。紧接着进行第N次溢写。
- 对所有out文件进行归并排序,还可以设置其combiner和压缩(优化手段)
- 然后把输出写到磁盘上,等待Reduce端来拉取。
- ReduceTask拉取自己所在分区的数据,首先会存到内存上,如果内存不够,就会溢写到磁盘上。
- 最终对每个map来的数据归并排序。
- 按照相同key
Partition分区
默认分区
根据key的hashCode对ReduceTasks个数取模得到的。用户没法控制哪个key存储到哪个分区。
自定义Partitioner步骤
- 自定义类继承Partitioner,重写getPartition()方法
public class CustomPartitioner extends Partitioner<Text, FlowBean> {
@Override
public int getPartition(Text key, FlowBean value, int numPartitions) {
// 控制分区代码逻辑
… …
return partition;
}
}
- 在Job驱动中,设置自定义Partitioner
job.setPartitionerClass(CustomPartitioner.class);
- 自定义Partition后,要根据自定义Partitioner的逻辑设置相应数量的ReduceTask(不然默认为1,会走自己的方法)
job.setNumReduceTasks(5);
分区总结
-
如果ReduceTask的数量> getPartition的结果数,则会多产生几个空的输出文件part-r-000xx;
-
如果1<ReduceTask的数量<getPartition的结果数,则有一部分分区数据无处安放,会Exception;
-
如 果ReduceTask的数量=1,则不管MapTask端输出多少个分区文件,最终结果都交给这一个ReduceTask,最终也就只会产生一个结果文件 part-r-00000;
-
分区号必须从零开始,逐一累加。
-
综合以上可得,要不为1 要不大于
案例实操
需求
将统计结果按照手机归属地不同省份输出到不同文件中(分区)
期望输出数据: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。
实现方法
在之前流量分类的基础上,增加一个分区类。
136-分区0
137-分区1
138-分区2
139-分区3
其他-分区4
类的继承
创建一个partition类并继承,注意接收的是map方法里面出来的kv
package com.mapreduce.partitionTest;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Partitioner;
public class ProvincePartitioner extends Partitioner<Text,FlowBean> {
@Override
public int getPartition(Text text, FlowBean flowBean, int i) {
return 0;
}
}
partition类实现代码
package com.mapreduce.partitionTest;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Partitioner;
public class ProvincePartitioner extends Partitioner<Text,FlowBean> {
@Override
public int getPartition(Text text, FlowBean flowBean, int i) {
//Text为手机号 获取其前三位
String phone = text.toString();
String pre = phone.substring(0,3);
//根据pre设置分区号
int par;
if("136".equals(pre)){
par = 0;
}else if("137".equals(pre)){
par = 1;
}else if("138".equals(pre)){
par = 2;
}else if("139".equals(pre)){
par = 3;
}else {
par = 4;
}
return par;
}
}
在Driver驱动类里设置分区器和ReduceTask数量
//指定自定义分区器
job.setPartitionerClass(ProvincePartitioner.class);
//同时指定相应数量的 ReduceTask
job.setNumReduceTasks(5);