Partitioner, SortComparator and GroupingComparator in Hadoop

小雪崩

　　hadoop 0.20.2 api里面，作业被重新定义到了类 org.apache.hadoop.mapreduce.Job。
　　它有3个特别的方法：
job.setPartitionerClass(Partitioner p);
job.setSortComparatorClass(RawComparator c);

job.setGroupingComparatorClass(RawComparator c);
 
　　数据在被map处理过之后，会根据 Partitioner 定义的规则，把中间结果分发到特定的reduce。
　　Partitioner<Key, Value> 包含一个方法：public int getPartition(Key k, Value v, int parts)

public static class P extends Partitioner<IdWithTimestamp, Value> {
@Override
public int getPartition(IdWithTimestamp  k, Value v, int parts) {
int hash = k.getId().hashCode();
return (hash & Integer.MAX_VALUE) % parts;
}
}
　　接下来，可以做一些控制，使得不同 Key的中间数据，可以打包成一组，在一次reduce()调用中处理，setGroupingComparatorClass提供分组规则。
　　补充：默认实现是以整个key作为分组标识的。但是，一个比较典型的情况是，如果你在key中加入了额外的字段，用于排序，就需要手工调整group了。顺序很重要！
　　例如，key可能是[id, timestamp]，这样可以使相同的id(String)能按时间戳(long)排序，现在拆出包含在key里的相同id，分到相同的组。

public class IdComparator extends TextComparator {
@Override
public int compare(IdWithTimestamp o1, IdWithTimestamp o2) {
return o1.getId().compareTo(o2.getId());
}
}
　　然后，中间数据在被reduce处理之前，会先被集中排序，setSortComparatorClass提供排序规则。

public class TimestampComparator extends TextComparator {
@Override
public int compare(IdWithTimestamp o1, IdWithTimestamp o2) {
return o1.getTimestamp() - o2.getTimestamp();
}
}
　　如果不提供这些东西，默认使用的是 Key类型的 compareTo方法，而不是 hashCode和 equals。
　　可以自定义 WritableComparable类型，提供优化比较方法，以提高执行效率。。。字节比较，那是个挺麻烦的事情，我都是很偷懒地一直用Text，拼接、拆分字符串做比较。
　　Partitioner，SortComparator 和 GroupingComparator 配合即可实现某些对顺序有要求的计算。如果数据集很大的话（reduce输入超过HDFS块儿大小），为保证之前任务的顺序输出，就需要在再次m/r处理的时候控制map对输入的分割

public class NoSplitInputFormat extends TextInputFormat {
@Override
protected boolean isSplitable(JobContext context, Path file) {
return false;
}
}
　　排序 + 计算 两个任务，不等于一个完整任务里的 按顺序计算。
　　实践证明，使用外部的RawComparator 更具灵活性，可以提供不同的排序和分组策略。
　　附例子程序，测试数据，测试结果
　　Join的时候也用得着它们
　　enjoy it!