MapReduce实现数据的二级排序并统计指定字段

引言

在搭建了hadoop集群后，可以把实现聚焦于业务的具体实现，以一个实例为引子，巩固mapreduce的编程实践。

如何配置hadoop集群，且看上一篇博客

对运营商基站数据进行排序、统计。

MapReduce工作流程

在hadoop框架中，要实现业务逻辑，首先需要理清楚MapReduce的工作流程，只有清楚一个作业从Client提交到结束的过程，才能真正的学会如何编程实践而非模仿copy.

MapTask工作机制

（1）Read阶段：MapTask通过用户编写的RecordReader，从输入InputSplit中解析出一个个key/value。
（2）Map阶段：该节点主要是将解析出的key/value交给用户编写map()函数处理，并产生一系列新的key/value。
（3）Collect收集阶段：在用户编写map()函数中，当数据处理完成后，一般会调用OutputCollector.collect()输出结果。在该函数内部，它会将生成的key/value分区（调用Partitioner），并写入一个环形内存缓冲区中。
（4）Spill阶段：即“溢写”，当环形缓冲区满后，MapReduce会将数据写到本地磁盘上，生成一个临时文件。需要注意的是，将数据写入本地磁盘之前，先要对数据进行一次本地排序，并在必要时对数据进行合并、压缩等操作。

溢写阶段详情：

• 步骤1：利用快速排序算法对缓存区内的数据进行排序，排序方式是，先按照分区编号Partition进行排序，然后按照key进行排序。这样，经过排序后，数据以分区为单位聚集在一起，且同一分区内所有数据按照key有序。
• 步骤2：按照分区编号由小到大依次将每个分区中的数据写入任务工作目录下的临时文件output/spillN.out（N表示当前溢写次数）中。如果用户设置了Combiner，则写入文件之前，对每个分区中的数据进行一次聚集操作。
• 步骤3：将分区数据的元信息写到内存索引数据结构SpillRecord中，其中每个分区的元信息包括在临时文件中的偏移量、压缩前数据大小和压缩后数据大小。如果当前内存索引大小超过1MB，则将内存索引写到文件output/spillN.out.index中。

（5）Combine阶段：

• 当所有数据处理完成后，MapTask对所有临时文件进行一次合并，以确保最终只会生成一个数据文件。
• 当所有数据处理完后，MapTask会将所有临时文件合并成一个大文件，并保存到文件output/file.out中，同时生成相应的索引文件output/file.out.index。
• 在进行文件合并过程中，MapTask以分区为单位进行合并。对于某个分区，它将采用多轮递归合并的方式。每轮合并io.sort.factor（默认10）个文件，并将产生的文件重新加入待合并列表中，对文件排序后，重复以上过程，直到最终得到一个大文件。
• 让每个MapTask最终只生成一个数据文件，可避免同时打开大量文件和同时读取大量小文件产生的随机读取带来的开销。

ReduceTask工作机制

（1）Copy阶段：ReduceTask从各个MapTask上远程拷贝一片数据，并针对某一片数据，如果其大小超过一定阈值，则写到磁盘上，否则直接放到内存中。
（2）Merge阶段：在远程拷贝数据的同时，ReduceTask启动了两个后台线程对内存和磁盘上的文件进行合并，以防止内存使用过多或磁盘上文件过多。
（3）Sort阶段：按照MapReduce语义，用户编写reduce()函数输入数据是按key进行聚集的一组数据。为了将key相同的数据聚在一起，Hadoop采用了基于排序的策略。由于各个MapTask已经实现对自己的处理结果进行了局部排序，因此，ReduceTask只需对所有数据进行一次归并排序即可。
（4）Reduce阶段：reduce()函数将计算结果写到HDFS上。

明确目标：

首先，对用户的电话号码进行升序排列，并对相同用户的基站到达时间进行降序排列，同时统计用户数及用户使用次数。

我们先明确在数据中每列所代表的含义，如上图所示，可以知道

• fields[0]:用户电话号码
• fields[1]:用户使用次数
• fields[2]:用户数
• fields[3]:访问到达时间

DataBean和TimeUtil的定义

由对给出的数据进行分许可以得出结论，在map阶段的输入KV值应该是<每行数据的偏移量,每行数据>，输入KV应该是<包含了fileds中我们所需信息的对象,NullWritable>,因为需要对电话号码以及基站到达时间进行升序/降序的排列，所以自定义DataBean,实现WritableComparable接口，而且在DataBean中应该包含以下私有属性：

private String phone;
private String arriveDate;//到达的秒次时间
private String arriveMili;//到达的毫秒次时间
private Long userNum;
private Long useTime;

同时，重写Writable接口的序列化和反序列方法

//序列化方法
public void write(DataOutput dataOutput) throws IOException {
   
    dataOutput.writeUTF(this.phone);
    dataOutput.writeUTF(this.arriveDate);
    dataOutput.writeUTF(this.arriveMili);
    dataOutput.writeLong(this.userNum);
    dataOutput.writeLong(this.useTime);
}
//反序列化方法
public void readFields(DataInput dataInput) throws IOException {
   
    phone = dataInput.readUTF();
    arriveDate = dataInput.readUTF();
    arriveMili = dataInput.readUTF();
    userNum = dataInput.readLong();
    useTime = dataInput.readLong();
}

因为在map阶段的输出是<DataBean,NullWritable>,DataBean作为Key会被MR框架进行排序的操作，所以还需要实现Comparable接口的compareTo方法

/**
 * 首先，对用户的电话号码进行升序排列，并对相同用户的基站到达时间进行降序排列
 * @param o
 * @return
 */
@Override
public int compareTo(DataBean o) {
   
    int compare_phone = this.phone.compareTo(o.phone);
    if(compare_phone==0){
   
        ArrayList<String> timeStamp1 = new ArrayList<>();
        ArrayList<String> timeStamp2 = new ArrayList<>();
        timeStamp1.add(this.arriveDate);
        timeStamp1.add(this.arriveMili);
        timeStamp2.add(o.arriveDate);
        timeStamp2.add(o.arriveMili);

        return TimeUtils.timeSort(timeStamp1, timeStamp2);
    }else {
   
        return compare_phone;
    }
}

因为是二级排序(先升序排列手机号，再降序排列到达时间)，所以定义了一个工具类TimeUtils:

TimeUtils

package com.cqupt.baseDataProcess;

import org.apache.commons.lang.time.DateUtils;
import org.junit.Test;

import java.text.ParseException;
import java.text.SimpleDateFormat;
import java.util.ArrayList;
import java.util.Date;

public class TimeUtils {
   


    public static Date stringToDate(String dateStr) {
   
        SimpleDateFormat format = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss");
        Date date = null;
        try {
   
            date = format.parse(dateStr);
        } catch (ParseException e) {
   
            e.printStackTrace();
        }
        return date;
    }


    public static ArrayList<String> getTimeStr(String line) {
   

        String[] fields = line.split(" ");
        String time_day = fields[3];
        String[] seconds = fields[4].split("\\.");
        String time_secondtemp = seconds[0];
        String time_milis = seconds[1];
        String time_second = time_day + " " + time_secondtemp;
        ArrayList<String> timeList = new ArrayList<>();
        timeList.add(time_second);
        timeList.