hadoop mapreduce 解决 top K问题

renyanping

　　网上搜索到的那个top K问题的解法，我觉得有些地方都没有讲明白。因为我们要找出top K, 那么就应该显式的指明the num of reduce tasks is one.
　　不然我还真不好理解为什么可以得到top K的结果。这里顺便提及一下，一个map task就是一个进程。有几个map task就有几个中间文件，有几个reduce task就有几个最终输出文件。好了，这就好理解了，我们要找的top K 是指的全局的前K条数据，那么不管中间有几个map, reduce最终只能有一个reduce来汇总数据，输出top K。
　　下面写出思路和代码：
　　1. Mappers
　　使用默认的mapper数据，一个input split（输入分片）由一个mapper来处理。
　　在每一个map task中，我们找到这个input split的前k个记录。这里我们用TreeMap这个数据结构来保存top K的数据，这样便于更新。下一步，我们来加入新记录到TreeMap中去（这里的TreeMap我感觉就是个大顶堆）。在map中，我们对每一条记录都尝试去更新TreeMap，最后我们得到的就是这个分片中的local top k的k个值。在这里要提醒一下，以往的mapper中，我们都是处理一条数据之后就context.write或者output.collector一次。而在这里不是，这里是把所有这个input split的数据处理完之后再进行写入。所以，我们可以把这个context.write放在cleanup里执行。cleanup就是整个mapper task执行完之后会执行的一个函数。
　　2.reducers
　　由于我前面讲了很清楚了，这里只有一个reducer，就是对mapper输出的数据进行再一次汇总，选出其中的top k，即可达到我们的目的。Note that we are using NullWritable here. The reason for this is we want all of the outputs from all of the mappers to be grouped into a single key in the reducer.
　　



1 package seven.ili.patent;
2
3 /**
4  * Created with IntelliJ IDEA.
5  * User: Isaac Li
6  * Date: 12/4/12
7  * Time: 5:48 PM
8  * To change this template use File | Settings | File Templates.
9  */
10
11 import org.apache.hadoop.conf.Configuration;
12 import org.apache.hadoop.conf.Configured;
13 import org.apache.hadoop.fs.Path;
14 import org.apache.hadoop.io.IntWritable;
15 import org.apache.hadoop.io.LongWritable;
16 import org.apache.hadoop.io.NullWritable;
17 import org.apache.hadoop.io.Text;
18 import org.apache.hadoop.mapreduce.Job;
19 import org.apache.hadoop.mapreduce.Mapper;
20 import org.apache.hadoop.mapreduce.Reducer;
21 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
22 import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
23 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
24 import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
25 import org.apache.hadoop.util.Tool;
26 import org.apache.hadoop.util.ToolRunner;
27
28 import java.io.IOException;
29 import java.util.TreeMap;
30
31 //利用MapReduce求最大值海量数据中的K个数
32 public class Top_k_new extends Configured implements Tool {
33
34     public static class MapClass extends Mapper {
35         public static final int K = 100;
36         private TreeMap fatcats = new TreeMap();
37         public void map(LongWritable key, Text value, Context context)
38                 throws IOException, InterruptedException {
39
40             String[] str = value.toString().split(",", -2);
41             int temp = Integer.parseInt(str[8]);
42             fatcats.put(temp, value);
43             if (fatcats.size() > K)
44                 fatcats.remove(fatcats.firstKey())
45         }
46         @Override
47         protected void cleanup(Context context) throws IOException,  InterruptedException {
48             for(Text text: fatcats.values()){
49                 context.write(NullWritable.get(), text);
50             }
51         }
52     }
53
54     public static class Reduce extends Reducer {
55         public static final int K = 100;
56         private TreeMap fatcats = new TreeMap();
57         public void reduce(NullWritable key, Iterable values, Context context)
58                 throws IOException, InterruptedException {
59             for (Text val : values) {
60                 String v[] = val.toString().split("\t");
61                 Integer weight = Integer.parseInt(v[1]);
62                 fatcats.put(weight, val);
63                 if (fatcats.size() > K)
64                     fatcats.remove(fatcats.firstKey());
65             }
66             for (Text text: fatcats.values())
67                 context.write(NullWritable.get(), text);
68         }
69     }
70
71     public int run(String[] args) throws Exception {
72         Configuration conf = getConf();
73         Job job = new Job(conf, "TopKNum");
74         job.setJarByClass(Top_k_new.class);
75         FileInputFormat.setInputPaths(job, new Path(args[0]));
76         FileOutputFormat.setOutputPath(job, new Path(args[1]));
77         job.setMapperClass(MapClass.class);
78        // job.setCombinerClass(Reduce.class);
79         job.setReducerClass(Reduce.class);
80         job.setInputFormatClass(TextInputFormat.class);
81         job.setOutputFormatClass(TextOutputFormat.class);
82         job.setOutputKeyClass(NullWritable.class);
83         job.setOutputValueClass(Text.class);
84         System.exit(job.waitForCompletion(true) ? 0 : 1);
85         return 0;
86     }
87     public static void main(String[] args) throws Exception {
88         int res = ToolRunner.run(new Configuration(), new Top_k_new(), args);
89         System.exit(res);
90     }
91
92 }
　　
　　参考：http://www.greenplum.com/blog/topics/hadoop/how-hadoop-mapreduce-can-transform-how-you-build-top-ten-lists