目录
排序操作
排序是MapReduce框架中最重要的操作之一。
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。任何应用程序中的数据均会被排序,而不管逻辑上是否需要
默认排序
默认排序是按照字典顺序排序,且实现该排序的方法是快速排序。
MapTask阶段的排序
- 对于MapTask,它会将处理的结果暂时放到环形缓冲区中
- 当环形缓冲区使用率达到一定阈值后,再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,它会对磁盘上所有文件进行归并排序。
ReduceTask阶段的排序
- 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,则溢写到磁盘上,否则存储在内存中。
- 如果磁盘上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文件。
- 如果内存中文件大小或者数目超过一定阈值,则进行一次合并后将数据溢写到磁盘上。
- 当所有数据拷贝完毕后,ReduceTask统一对内存和磁盘上的所有数据进行一次归并排序。
部分排序
MapReduce根据输入记录的键对数据集排序。保证输出的每个文件内部有序。
全排序(慎用)
最终输出结果只有一个文件,且文件内部有序,实现方式是只设置一个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。
辅助排序(现在已经不用了)
在Reduce端对key进行分组。
应用于:在接收的key为bean对象时,想让一个或几个字段相同(全部字段比较不相同)的key进入到同一个reduce方法时,可以采用分组排序。
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即为二次排序。
WritableComparable 排序案例实操准备
原理分析
bean对象做为 key 传输,需要实现 WritableComparable 接口重写 compareTo 方法,就可以实现排序。
需求
根据流量统计产生的结果再次对总流量进行倒序排序。
解决方法
- 输入数据为之前案例的输出结果(将其key和value倒转过来,因为框架只对key进行排序,需要对value进行排序就只能倒过来)
- 在FlowBean里实现WritableComparable接口重写compareTo方法
- 注意此时的Mapper类里,输出的已经变成了(bean,手机号)
代码编写
实现WritableComparable接口且重写compareTo方法
//比较对象是FlowBean
public class FlowBean implements WritableComparable<FlowBean> {
****** //其它代码
//重写compareTo方法
@Override
public int compareTo(FlowBean o) {
return 0;
}
}
@Override
public int compareTo(FlowBean o) {
//总流量倒序进行排序
//按照总流量比较,倒序排列
if(this.sumFlow > o.sumFlow){
return -1;
}else if(this.sumFlow < o.sumFlow){
return 1;
}else {
return 0;
}
}
重写Mapper类
package com.mapreduce.WritableComparable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
public class FLowMapper extends Mapper<LongWritable, Text, FlowBean, Text> {
//属性
private FlowBean outK = new FlowBean();
private Text outV = new Text();
//重写map方法
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//获取一行
String line = value.toString();
//分割
String[] split = line.split("\t");
//封装
outV.set(split[0]);
outK.setUpFlow(Long.parseLong(split[1]));
outK.setDownFlow(Long.parseLong(split[2]));
outK.setSumFlow();
//写出
context.write(outK,outV);
}
}
重写Reducer类
需要注意的是,Reduce会把key相同的放在一组,即总流量相同的手机号放在一起,实际是我们并不需要的操作。
所以需要对所有的进行循环遍历。
package com.mapreduce.WritableComparable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
public class FlowReducer extends Reducer<FlowBean, Text,Text, FlowBean> {
//重写reduce
@Override
protected void reduce(FlowBean key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
//遍历 values 集合,循环写出,避免总流量相同的情况
for(Text value:values){
//调换 KV 位置,反向写出
context.write(value,key);
}
}
}
在Driver里更改输入输出路径
WritableComparable 排序案例实操(区内排序)准备
需求
要求每个省份手机号输出的文件中按照总流量内部排序。即综合之前的,实现排序和分区。
解决方法
基于前一个需求,增加自定义分区类,分区按照省份手机号设置。
代码编写
在上一段代码的基础上进行修改。
增加自定义分区类
import org.apache.hadoop.mapreduce.Partitioner;
import javax.xml.soap.Text;
public class ProvincePartitioner2 extends Partitioner<FlowBean, Text> {
@Override
public int getPartition(FlowBean flowBean, Text text, int i) {
//获取手机号前三位
String phone = text.toString();
String prePhone = phone.substring(0, 3);
//定义一个分区号变量 partition,根据 prePhone 设置分区号
int partition;
if("136".equals(prePhone)){
partition = 0;
}else if("137".equals(prePhone)){
partition = 1;
}else if("138".equals(prePhone)){
partition = 2;
}else if("139".equals(prePhone)){
partition = 3;
}else {
partition = 4;
}
//最后返回分区号 partition
return partition;
}
}
在Driver里进行设置
// 设置自定义分区器
job.setPartitionerClass(ProvincePartitioner2.class);
// 设置对应的 ReduceTask 的个数
job.setNumReduceTasks(5);