hadoop 二次排序

转自： http://www.see-source.com/blog/300000028/389

关于二次排序主要涉及到这么几个东西：

在0.20.0 以前使用的是

setPartitionerClass 

setOutputkeyComparatorClass

setOutputValueGroupingComparator 

 在0.20.0以后使用是

job.setPartitionerClass(Partitioner p);

job.setSortComparatorClass(RawComparator c);

job.setGroupingComparatorClass(RawComparator c);

下面的例子里面只用到了 setGroupingComparatorClass

http://blog.youkuaiyun.com/heyutao007/article/details/5890103 

mr自带的例子中的源码SecondarySort，我重新写了一下，基本没变。 
这个例子中定义的map和reduce如下，关键是它对输入输出类型的定义：（java泛型编程） 
public static class Map extends Mapper<LongWritable, Text, IntPair, IntWritable> 
public static class Reduce extends Reducer<IntPair, NullWritable, IntWritable, IntWritable> 

1、首先说一下工作原理： 

在map阶段，使用job.setInputFormatClass定义的InputFormat将输入的数据集分割成小数据块splites，同时InputFormat提供一个RecordReder的实现。本例子中使用的是TextInputFormat，他提供的RecordReder会将文本的字节偏移量作为key，这一行的文本作为value。这就是自定义Map的输入是<LongWritable, Text>的原因。然后调用自定义Map的map方法，将一个个<LongWritable, Text>对输入给Map的map方法。注意输出应该符合自定义Map中定义的输出<IntPair, IntWritable>。最终是生成一个List<IntPair, IntWritable>。在map阶段的最后，会先调用job.setPartitionerClass对这个List进行分区，每个分区映射到一个reducer。每个分区内又调用job.setSortComparatorClass设置的key比较函数类排序。可以看到，这本身就是一个二次排序。如果没有通过job.setSortComparatorClass设置key比较函数类，则使用key的实现的compareTo方法。在第一个例子中，使用了IntPair实现的compareTo方法，而在下一个例子中，专门定义了key比较函数类。 

在reduce阶段，reducer接收到所有映射到这个reducer的map输出后，也是会调用job.setSortComparatorClass设置的key比较函数类对所有数据对排序。然后开始构造一个key对应的value迭代器。这时就要用到分组，使用jobjob.setGroupingComparatorClass设置的分组函数类。只要这个比较器比较的两个key相同，他们就属于同一个组，它们的value放在一个value迭代器，而这个迭代器的key使用属于同一个组的所有key的第一个key。最后就是进入Reducer的reduce方法，reduce方法的输入是所有的（key和它的value迭代器）。同样注意输入与输出的类型必须与自定义的Reducer中声明的一致。 

2、二次排序 就是首先按照第一字段排序，然后再对第一字段相同的行按照第二字段排序，注意不能破坏第一次排序 的结果 。例如 ：

echo "3 b
1 c
2 a
1 d
3 a"|sort -k1 -k2
1 c
1 d
2 a
3 a
3 b

3、具体步骤：   
1 自定义key。   

在mr中，所有的key是需要被比较和排序的，并且是二次，先根据partitione，再根据大小。而本例中也是要比较两次。先按照第一字段排序，然后再对第一字段相同的按照第二字段排序。根据这一点，我们可以构造一个复合类IntPair，他有两个字段，先利用分区对第一字段排序，再利用分区内的比较对第二字段排序。   
所有自定义的key应该实现接口WritableComparable，因为是可序列的并且可比较的。并重载方法   
//反序列化，从流中的二进制转换成IntPair   
public void readFields(DataInput in) throws IOException   
          
//序列化，将IntPair转化成使用流传送的二进制   
public void write(DataOutput out)   

//key的比较   
public int compareTo(IntPair o)   
          
另外新定义的类应该重写的两个方法   
//The hashCode() method is used by the HashPartitioner (the default partitioner in MapReduce)   
public int hashCode()   
public boolean equals(Object right)   

2 由于key是自定义的，所以还需要自定义一下类：   

2.1 分区函数类。这是key的第一次比较。   
public static class FirstPartitioner extends Partitioner<IntPair,IntWritable>   

在job中设置使用setPartitionerClasss   

2.2 key比较函数类。这是key的第二次比较。这是一个比较器，需要继承WritableComparator。   
public static class KeyComparator extends WritableComparator   
必须有一个构造函数，并且重载 public int compare(WritableComparable w1, WritableComparable w2)   
另一种方法是 实现接口RawComparator。   
在job中设置使用setSortComparatorClass。   

2.3 分组函数类。在reduce阶段，构造一个key对应的value迭代器的时候，只要first相同就属于同一个组，放在一个value迭代器。这是一个比较器，需要继承WritableComparator。   
public static class GroupingComparator extends WritableComparator   
同key比较函数类，必须有一个构造函数，并且重载 public int compare(WritableComparable w1, WritableComparable w2)   
同key比较函数类，分组函数类另一种方法是实现接口RawComparator。   
在job中设置使用setGroupingComparatorClass。   

另外注意的是，如果reduce的输入与输出不是同一种类型，则不要定义Combiner也使用reduce，因为Combiner的输出是reduce的输入。除非重新定义一个Combiner。 

4 代码。这个例子中没有使用key比较函数类，而是使用key的实现的compareTo方法：

view source print ?

001. package SecondarySort;

002.  

003. import java.io.DataInput;

004. import java.io.DataOutput;

005. import java.io.IOException;

006. import org.apache.hadoop.conf.Configuration;

007. import org.apache.hadoop.fs.FileSystem;

008. import org.apache.hadoop.fs.Path;

009. import org.apache.hadoop.io.LongWritable;

010. import org.apache.hadoop.io.Text;

011. import org.apache.hadoop.io.WritableComparable;

012. import org.apache.hadoop.io.WritableComparator;

013. import org.apache.hadoop.mapreduce.Job;

014. import org.apache.hadoop.mapreduce.Mapper;

015. import org.apache.hadoop.mapreduce.Partitioner;

016. import org.apache.hadoop.mapreduce.Reducer;

017. import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;

018. import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;

019. import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

020. import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;

021.  

022. public class SecondarySort

023. {

024. //自己定义的key类应该实现WritableComparable接口

025. public static class IntPair implements WritableComparable<IntPair>

026. {

027. String first;

028. String second;

029. /**

030. * Set the left and right values.

031. */

032. public void set(String left, String right)

033. {

034. first = left;

035. second = right;

036. }

037. public String getFirst()

038. {

039. return first;

040. }

041. public String getSecond()

042. {

043. return second;

044. }

045. //反序列化，从流中的二进制转换成IntPair

046. public void readFields(DataInput in) throws IOException

047. {

048. first = in.readUTF();

049. second = in.readUTF();

050. }

051. //序列化，将IntPair转化成使用流传送的二进制

052. public void write(DataOutput out) throws IOException

053. {

054. out.writeUTF(first);

055. out.writeUTF(second);

056. }

057. //重载 compareTo 方法，进行组合键 key 的比较，该过程是默认行为。

058. //分组后的二次排序会隐式调用该方法。

059. public int compareTo(IntPair o)

060. {

061. if (!first.equals(o.first) )

062. {

063. return first.compareTo(o.first);

064. }

065. else if (!second.equals(o.second))

066. {

067. return second.compareTo(o.second);

068. }

069. else

070. {

071. return 0;

072. }

073. }

074.  

075. //新定义类应该重写的两个方法

076. //The hashCode() method is used by the HashPartitioner (the default partitioner in MapReduce)

077. public int hashCode()

078. {

079. return first.hashCode() * 157 + second.hashCode();

080. }

081. public boolean equals(Object right)

082. {

083. if (right == null)

084. return false;

085. if (this == right)

086. return true;

087. if (right instanceof IntPair)

088. {

089. IntPair r = (IntPair) right;

090. return r.first.equals(first) && r.second.equals(second) ;

091. }

092. else

093. {

094. return false;

095. }

096. }

097. }

098. /**

099. * 分区函数类。根据first确定Partition。

100. */

101. public static class FirstPartitioner extends Partitioner<IntPair, Text>

102. {

103. public int getPartition(IntPair key, Text value,int numPartitions)

104. {

105. return Math.abs(key.getFirst().hashCode() * 127) % numPartitions;

106. }

107. }

108.  

109. /**

110. * 分组函数类。只要first相同就属于同一个组。

111. */

112. /*//第一种方法，实现接口RawComparator

113. public static class GroupingComparator implements RawComparator<IntPair> {

114. public int compare(IntPair o1, IntPair o2) {

115. int l = o1.getFirst();

116. int r = o2.getFirst();

117. return l == r ? 0 : (l < r ? -1 : 1);

118. }

119. //一个字节一个字节的比，直到找到一个不相同的字节，然后比这个字节的大小作为两个字节流的大小比较结果。

120. public int compare(byte[] b1, int s1, int l1, byte[] b2, int s2, int l2){

121. return WritableComparator.compareBytes(b1, s1, Integer.SIZE/8,

122. b2, s2, Integer.SIZE/8);

123. }

124. }*/

125. //第二种方法，继承WritableComparator

126. public static class GroupingComparator extends WritableComparator

127. {

128. protected GroupingComparator()

129. {

130. super(IntPair.class, true);

131. }

132. //Compare two WritableComparables.

133. //  重载 compare：对组合键按第一个自然键排序分组

134. public int compare(WritableComparable w1, WritableComparable w2)

135. {

136. IntPair ip1 = (IntPair) w1;

137. IntPair ip2 = (IntPair) w2;

138. String l = ip1.getFirst();

139. String r = ip2.getFirst();

140. return l.compareTo(r);

141. }

142. }

143.  

144.  

145. // 自定义map

146. public static class Map extends Mapper<LongWritable, Text, IntPair, Text>

147. {

148. private final IntPair keyPair = new IntPair();

149. String[] lineArr = null;

150. public void map(LongWritable key, Text value, Context context) throwsIOException, InterruptedException

151. {

152. String line = value.toString();

153. lineArr = line.split("\t", -1);

154. keyPair.set(lineArr[0], lineArr[1]);

155. context.write(keyPair, value);

156. }

157. }

158. // 自定义reduce

159. //

160. public static class Reduce extends Reducer<IntPair, Text, Text, Text>

161. {

162. private static final Text SEPARATOR = new Text("------------------------------------------------");

163.  

164. public void reduce(IntPair key, Iterable<Text> values,Context context) throwsIOException, InterruptedException

165. {

166. context.write(SEPARATOR, null);

167. for (Text val : values)

168. {

169. context.write(null, val);

170. }

171. }

172. }

173.  

174. public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException

175. {

176. // 读取hadoop配置

177. Configuration conf = new Configuration();

178. // 实例化一道作业

179. Job job = new Job(conf, "secondarysort");

180. job.setJarByClass(SecondarySort.class);

181. // Mapper类型

182. job.setMapperClass(Map.class);

183. // 不再需要Combiner类型，因为Combiner的输出类型<Text, IntWritable>对Reduce的输入类型<IntPair, IntWritable>不适用

184. //job.setCombinerClass(Reduce.class);

185. // Reducer类型

186. job.setReducerClass(Reduce.class);

187. // 分区函数

188. job.setPartitionerClass(FirstPartitioner.class);

189. // 分组函数

190. job.setGroupingComparatorClass(GroupingComparator.class);

191.  

192. // map 输出Key的类型

193. job.setMapOutputKeyClass(IntPair.class);

194. // map输出Value的类型

195. job.setMapOutputValueClass(Text.class);

196. // rduce输出Key的类型，是Text，因为使用的OutputFormatClass是TextOutputFormat

197. job.setOutputKeyClass(Text.class);

198. // rduce输出Value的类型

199. job.setOutputValueClass(Text.class);

200.  

201. // 将输入的数据集分割成小数据块splites，同时提供一个RecordReder的实现。

202. job.setInputFormatClass(TextInputFormat.class);

203. // 提供一个RecordWriter的实现，负责数据输出。

204. job.setOutputFormatClass(TextOutputFormat.class);

205.  

206. // 输入hdfs路径

207. FileInputFormat.setInputPaths(job, new Path(args[0]));

208. // 输出hdfs路径

209. FileSystem.get(conf).delete(new Path(args[1]), true);

210. FileOutputFormat.setOutputPath(job, new Path(args[1]));

211. // 提交job

212. System.exit(job.waitForCompletion(true) ? 0 : 1);

213. }

214. }

5 需求：假如我们现在的需求是先按 cookieId 排序，然后按 time 排序，以便按 session 切分日志

6 测试数据与结果：

01	cookieId    time    url

02	2   12:12:34    2_hao123

03	3   09:10:34    3_baidu

04	1   15:02:41    1_google

05	3   22:11:34    3_sougou

06	1   19:10:34    1_baidu

07	2   15:02:41    2_google

08	1   12:12:34    1_hao123

09	3   23:10:34    3_soso

10	2   05:02:41    2_google

11

12

结果：

13	------------------------------------------------

14	1       12:12:34        1_hao123

15	1       15:02:41        1_google

16	1       19:10:34        1_baidu

17	------------------------------------------------

18	2       05:02:41        2_google

19	2       12:12:34        2_hao123

20	2       15:02:41        2_google

21	------------------------------------------------

22	3       09:10:34        3_baidu

23	3       22:11:34        3_sougou

24	3       23:10:34        3_soso

7 原理图（点击查看大图）：

REF:

mapreduce的二次排序 SecondarySort

http://blog.youkuaiyun.com/zyj8170/article/details/7530728

学会定制MapReduce里的partition,sort和grouping,Secondary Sort Made Easy 进行二次排序

http://blog.sina.com.cn/s/blog_9bf980ad0100zk7r.html

Simple Moving Average, Secondary Sort, and MapReduce (Part 3)

http://blog.cloudera.com/blog/2011/04/simple-moving-average-secondary-sort-and-mapreduce-part-3/

https://github.com/jpatanooga/Caduceus/tree/master/src/tv/floe/caduceus/hadoop/movingaverage

MapReduce的排序和二次排序原理总结

http://hugh-wangp.iteye.com/blog/1491175

泛型value的二次排序 

http://wenku.baidu.com/view/a3826a235901020207409c47.html

http://vangjee.wordpress.com/2012/03/20/secondary-sorting-aka-sorting-values-in-hadoops-mapreduce-programming-paradigm/