Hadoop学习笔记—11.MapReduce中的排序和分组

jydg

一、写在之前的

1.1 回顾Map阶段四大步骤
　　首先，我们回顾一下在MapReduce中，排序和分组在哪里被执行：

　　从上图中可以清楚地看出，在Step1.4也就是第四步中，需要对不同分区中的数据进行排序和分组，默认情况下，是按照key进行排序和分组。

1.2 实验场景数据文件
　　在一些特定的数据文件中，不一定都是类似于WordCount单次统计这种规范的数据，比如下面这类数据，它虽然只有两列，但是却有一定的实践意义。



3    3
3    2
3    1
2    2
2    1
1    1
　　（1）如果按照第一列升序排列，当第一列相同时，第二列升序排列，结果如下所示



1    1
2    1
2    2
3    1
3    2
3    3
　　（2）如果当第一列相同时，求出第二列的最小值，结果如下所示



3    1
2    1
1    1
　　接着，我们会针对这个数据文件，进行排序和分组的实践尝试，以求达到结果所示的效果。

二、初步探索排序

2.1 默认的排序
　　在Hadoop默认的排序算法中，只会针对key值进行排序，我们最初的代码如下（这里只展示了map和reduce函数）：



public class MySortJob extends Configured implements Tool {
public static class MyMapper extends
Mapper {
protected void map(
LongWritable key,
Text value,
Mapper.Context context)
throws java.io.IOException, InterruptedException {
String[] spilted = value.toString().split("\t");
long firstNum = Long.parseLong(spilted[0]);
long secondNum = Long.parseLong(spilted[1]);
context.write(new LongWritable(firstNum), new LongWritable(
secondNum));
};
}
public static class MyReducer extends
Reducer {
protected void reduce(
LongWritable key,
java.lang.Iterable values,
Reducer.Context context)
throws java.io.IOException, InterruptedException {
for (LongWritable value : values) {
context.write(key, value);
}
};
}
}
　　这里我们将第一列作为了key，第二列作为了value。
　　可以查看一下运行后的结果，如下所示：



1    1
2    2
2    1
3    3
3    2
3    1
　　从运行结果来看，并没有达到我们最初的目的，于是，我们需要抛弃默认的排序规则，因此我们要自定义排序。

2.2 自定义排序
　　（1）封装一个自定义类型作为key的新类型：将第一列与第二列都作为key



    private static class MyNewKey implements WritableComparable {
long firstNum;
long secondNum;
public MyNewKey() {
}
public MyNewKey(long first, long second) {
firstNum = first;
secondNum = second;
}
@Override
public void write(DataOutput out) throws IOException {
out.writeLong(firstNum);
out.writeLong(secondNum);
}
@Override
public void readFields(DataInput in) throws IOException {
firstNum = in.readLong();
secondNum = in.readLong();
}
/*
* 当key进行排序时会调用以下这个compreTo方法
*/
@Override
public int compareTo(MyNewKey anotherKey) {
long min = firstNum - anotherKey.firstNum;
if (min != 0) {
// 说明第一列不相等，则返回两数之间小的数
return (int) min;
} else {
return (int) (secondNum - anotherKey.secondNum);
}
}
}

　　PS：这里为什么需要封装一个新类型呢？因为原来只有key参与排序，现在将第一个数和第二个数都参与排序，作为一个新的key。

　　（2）改写最初的MapReduce方法函数代码：（只展示了map和reduce函数，还需要修改map和reduce输出的类型设置）



        public static class MyMapper extends
Mapper {
protected void map(
LongWritable key,
Text value,
Mapper.Context context)
throws java.io.IOException, InterruptedException {
String[] spilted = value.toString().split("\t");
long firstNum = Long.parseLong(spilted[0]);
long secondNum = Long.parseLong(spilted[1]);
// 使用新的类型作为key参与排序
MyNewKey newKey = new MyNewKey(firstNum, secondNum);
context.write(newKey, new LongWritable(secondNum));
};
}
public static class MyReducer extends
Reducer {
protected void reduce(
MyNewKey key,
java.lang.Iterable values,
Reducer.Context context)
throws java.io.IOException, InterruptedException {
context.write(new LongWritable(key.firstNum), new LongWritable(
key.secondNum));
};
}
　　从上面的代码中我们可以发现，新类型MyNewKey实现了一个叫做WritableComparable的接口，该接口中有一个compareTo()方法，当对key进行比较时会调用该方法，而我们将其改为了我们自己定义的比较规则，从而实现我们想要的效果。
　　其实，这个WritableComparable还实现了两个接口，我们看看其定义：



public interface WritableComparable extends Writable, Comparable {
}
　　Writable接口是为了实现序列化，而Comparable则是为了实现比较。
　　（3）现在看看运行结果：



1    1
2    1
2    2
3    1
3    2
3    3
　　运行结果与预期的已经一致，自定义排序生效！

三、初步探索分组

3.1 默认的分组
　　在Hadoop中的默认分组规则中，也是基于Key进行的，会将相同key的value放到一个集合中去。这里以上面的例子继续看看分组，因为我们自定义了一个新的key，它是以两列数据作为key的，因此这6行数据中每个key都不相同，也就是说会产生6组，它们是：1 1,2 1,2 2,3 1,3 2,3 3。而实际上只可以分为3组，分别是1，2，3。
　　现在首先改写一下reduce函数代码，目的是求出第一列相同时第二列的最小值，看看它会有怎么样的分组：



    public static class MyReducer extends
Reducer {
protected void reduce(
MyNewKey key,
java.lang.Iterable values,
Reducer.Context context)
throws java.io.IOException, InterruptedException {
long min = Long.MAX_VALUE;
for (LongWritable number : values) {
long temp = number.get();
if (temp < min) {
min = temp;
}
}
context.write(new LongWritable(key.firstNum), new LongWritable(min));
};
}
　　其运行结果为：



1    1
2    1
2    2
3    1
3    2
3    3
　　但是我们预期的结果为：



#当第一列相同时，求出第二列的最小值
3    3
3    2
3    1
2    2
2    1
1    1
-------------------
#预期结果应该是
3    1
2    1
1    1
3.2 自定义分组
　　为了针对新的key类型作分组，我们也需要自定义一下分组规则：
　　（1）编写一个新的分组比较类型用于我们的分组：



    private static class MyGroupingComparator implements
RawComparator {
/*
* 基本分组规则：按第一列firstNum进行分组
*/
@Override
public int compare(MyNewKey key1, MyNewKey key2) {
return (int) (key1.firstNum - key2.firstNum);
}
/*
* @param b1 表示第一个参与比较的字节数组
*
* @param s1 表示第一个参与比较的字节数组的起始位置
*
* @param l1 表示第一个参与比较的字节数组的偏移量
*
* @param b2 表示第二个参与比较的字节数组
*
* @param s2 表示第二个参与比较的字节数组的起始位置
*
* @param l2 表示第二个参与比较的字节数组的偏移量
*/
@Override
public int compare(byte[] b1, int s1, int l1, byte[] b2, int s2, int l2) {
return WritableComparator.compareBytes(b1, s1, 8, b2, s2, 8);
}
}
　　从代码中我们可以知道，我们自定义了一个分组比较器MyGroupingComparator，该类实现了RawComparator接口，而RawComparator接口又实现了Comparator接口，下面看看这两个接口的定义：
　　首先是RawComparator接口的定义：



public interface RawComparator extends Comparator {
public int compare(byte[] b1, int s1, int l1, byte[] b2, int s2, int l2);
}
　　其次是Comparator接口的定义：



public interface Comparator {
int compare(T o1, T o2);
boolean equals(Object obj);
}
　　在MyGroupingComparator中分别对这两个接口中的定义进行了实现，RawComparator中的compare()方法是基于字节的比较，Comparator中的compare()方法是基于对象的比较。
　　在基于字节的比较方法中，有六个参数，一下子眼花了：

　　Params：
　　* @param arg0 表示第一个参与比较的字节数组
* @param arg1 表示第一个参与比较的字节数组的起始位置
* @param arg2 表示第一个参与比较的字节数组的偏移量
*
* @param arg3 表示第二个参与比较的字节数组
* @param arg4 表示第二个参与比较的字节数组的起始位置
* @param arg5 表示第二个参与比较的字节数组的偏移量

　　由于在MyNewKey中有两个long类型，每个long类型又占8个字节。这里因为比较的是第一列数字，所以读取的偏移量为8字节。
　　（2）添加对分组规则的设置：



　　// 设置自定义分组规则
job.setGroupingComparatorClass(MyGroupingComparator.class);
　　（3）现在看看运行结果：


参考资料
　　（1）吴超，《深入浅出Hadoop》：http://www.superwu.cn/
　　（2）Suddenly，《Hadoop日记Day18-MapReduce排序和分组》：http://www.iyunv.com/sunddenly/p/4009751.html
　　


　　作者：周旭龙
　　出处：http://edisonchou.iyunv.com/
　　本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文链接。