Hadoop学习四十三：MapReduce的二次排序

w1w

 

一.概述
　　关于二次排序的文章，网上很多，比喻http://www.cnblogs.com/xuxm2007/archive/2011/09/03/2165805.html就写的不错。在此文基础上补充几点。 
二.job.setPartitionerClass在什么地方被用到
　　mapper里每一次write，都会调用到

collector.collect(key, value,partitioner.getPartition(key, value, partitions));注partitions = jobContext.getNumReduceTasks();

　　从而使用到PartitionerClass。
　　参考MapTask write方法 line690。
三.job.setSortComparatorClass
　　在sortAndSpill时触发。
　　而进入sortAndSpill的时机有map阶段正在进行时缓冲区的数据已经达到阈值，或者map阶段完后的output.close(mapperContext);顺便说一下Mapper的clean方法是在map阶段完成，我以前一直以为是map阶段完后执行。这也是为什么每一个Mapper的输出都是有序的原因，也是Reduce Shuffle阶段的准备。
　　原始文件

11b
11a
33a
22A
22a
　　采用快速排序(调用SortComparatorClass的compare方法)。生成的file.out文件。好像有些字符没显示出来。
　　11a1a11b1b22A2A22a2a33a3a?SU
　　代码MapTask line763

try {
input.initialize(split, mapperContext);
mapper.run(mapperContext);//mapper阶段
mapPhase.complete();
setPhase(TaskStatus.Phase.SORT);
statusUpdate(umbilical);
input.close();//关闭RecordWriter
input = null;
output.close(mapperContext);
output = null;
} finally {
closeQuietly(input);
closeQuietly(output, mapperContext);
}
四.job.setGroupingComparatorClass
　　决定了一个分区下的那些value，被分为一组。先阅读http://zy19982004.iyunv.com/admin/blogs/2037907。在Merge & Sort阶段后，数据已经是有序的了。此时只需要比较当前value与下一个value是否相等(调用GroupingComparatorClass的compare方法)，相等就为一组。  所以compare方法的返回值int没多大意思，因为只需nextValueIsSame = result == 0。上述数据的调用轨迹为

TextPair [first=1, second=1a] TextPair [first=1, second=1b]
TextPair [first=1, second=1b] TextPair [first=2, second=2A]
TextPair [first=2, second=2A] TextPair [first=2, second=2a]
TextPair [first=2, second=2a] TextPair [first=3, second=3a]