Hadoop二次排序及MapReduce处理流程实例详解

一、概述

MapReduce框架对处理结果的输出会根据key值进行默认的排序，这个默认排序可以满足一部分需求，但是也是十分有限的，在我们实际的需求当中，往往有要对reduce输出结果进行二次排序的需求。对于二次排序的实现，网络上已经有很多人分享过了，但是对二次排序的实现原理及整个MapReduce框架的处理流程的分析还是有非常大的出入，而且部分分析是没有经过验证的。本文将通过一个实际的MapReduce二次排序的例子，讲述二次排序的实现和其MapReduce的整个处理流程，并且通过结果和Map、Reduce端的日志来验证描述的处理流程的正确性。

二、需求描述

1.输入数据




sort1	1




sort2	3




sort2	88




sort2	54




sort1	2




sort6	22




sort6	888




sort6	58

2.目标输出




sort1	1,2




sort2	3,54,88




sort6	22,58,888

三、解决思路

1.首先，在思考解决问题思路时，我们应该先深刻的理解MapReduce处理数据的整个流程，这是最基础的，不然的话是不可能找到解决问题的思路的。我描述一下MapReduce处理数据的大概流程：首先，MapReduce框架通过getSplits()方法实现对原始文件的切片之后，每一个切片对应着一个MapTask，InputSplit输入到map()函数进行处理，中间结果经过环形缓冲区的排序，然后分区、自定义二次排序(如果有的话)和合并，再通过Shuffle操作将数据传输到reduce Task端，reduce端也存在着缓冲区，数据也会在缓冲区和磁盘中进行合并排序等操作，然后对数据按照key值进行分组，然后每处理完一个分组之后就会去调用一次reduce()函数，最终输出结果。大概流程我画了一下，如下图：

Hadoop二次排序及MapReduce处理流程实例详解

2.具体解决思路

(1)：Map端处理

根据上面的需求，我们有一个非常明确的目标就是要对第一列相同的记录，并且对合并后的数字进行排序。我们都知道MapReduce框架不管是默认排序或者是自定义排序都只是对key值进行排序，现在的情况是这些数据不是key值，怎么办？其实我们可以将原始数据的key值和其对应的数据组合成一个新的key值，然后新的key值对应的value还是原始数据中的valu。那么我们就可以将原始数据的map输出变成类似下面的数据结构：




{[sort1,1],1}



{[sort2,3],3}



{[sort2,88],88}



{[sort2,54],54}



{[sort1,2],2}



{[sort6,22],22}



{[sort6,888],888}



{[sort6,58],58}

那么我们只需要对[]里面的心key值进行排序就OK了，然后我们需要自定义一个分区处理器，因为我的目标不是想将新key相同的记录传到一个reduce中，而是想将新key中第一个字段相同的记录放到同一个reduce中进行分组合并，所以我们需要根据新key值的第一个字段来自定义一个分区处理器。通过分区操作后，得到的数据流如下：




Partition1：{[sort1,1],1}、{[sort1,2],2}



 



Partition2：{[sort2,3],3}、{[sort2,88],88}、{[sort2,54],54}



 



Partition3：{[sort6,22],22}、{[sort6,888],888}、{[sort6,58],58}

分区操作完成之后，我调用自己的自定义排序器对新的key值进行排序。




{[sort1,1],1}



{[sort1,2],2}



{[sort2,3],3}



{[sort2,54],54}



{[sort2,88],88}



{[sort6,22],22}



{[sort6,58],58}



{[sort6,888],888}

(2).Reduce端处理

经过Shuffle处理之后，数据传输到Reducer端了。在Reducer端按照组合键的第一个字段进行分组，并且每处理完一次分组之后就会调用一次reduce函数来对这个分组进行处理和输出。最终各个分组的数据结果变成类似下面的数据结构：




sort1	1,2




sort2	3,54,88




sort6	22,58,888

四、具体实现

1.自定义组合键





public class CombinationKey implements WritableComparable<CombinationKey>{



 



	private Text firstKey;



	private IntWritable secondKey;



	



	//无参构造函数




	public CombinationKey() {



		this.firstKey = new Text();



		this.secondKey = new IntWritable();



	}



	



	//有参构造函数




	public CombinationKey(Text firstKey, IntWritable secondKey) {



		this.firstKey = firstKey;



		this.secondKey = secondKey;



	}



 



	public Text getFirstKey() {



		return firstKey;



	}



 



	public void setFirstKey(Text firstKey) {



		this.firstKey = firstKey;



	}



 



	public IntWritable getSecondKey() {



		return secondKey;



	}



 



	public void setSecondKey(IntWritable secondKey) {



		this.secondKey = secondKey;



	}



 



	public void write(DataOutput out) throws IOException {



		this.firstKey.write(out);



		this.secondKey.write(out);



	}



 



	public void readFields(DataInput in) throws IOException {



		this.firstKey.readFields(in);



		this.secondKey.readFields(in);



	}



 



	



	/*public int compareTo(CombinationKey combinationKey) {




		int minus = this.getFirstKey().compareTo(combinationKey.getFirstKey());



		if (minus != 0){



			return minus;



		}



		return this.getSecondKey().get() - combinationKey.getSecondKey().get();



	}*/



	/**




	 * 自定义比较策略



	 * 注意：该比较策略用于MapReduce的第一次默认排序



	 * 也就是发生在Map端的sort阶段



	 * 发生地点为环形缓冲区(可以通过io.sort.mb进行大小调整)



	 */



	public int compareTo(CombinationKey combinationKey) {



		System.out.println("------------------------CombineKey flag-------------------");



		return this.firstKey.compareTo(combinationKey.getFirstKey());



	}



 



	@Override




	public int hashCode() {



		final int prime = 31;



		int result = 1;



		result = prime * result + ((firstKey == null) ? 0 : firstKey.hashCode());



		return result;



	}



 



	@Override




	public boolean equals(Object obj) {



		if (this == obj)



			return true;



		if (obj == null)



			return false;



		if (getClass() != obj.getClass())



			return false;



		CombinationKey other = (CombinationKey) obj;



		if (firstKey == null) {



			if (other.firstKey != null)



				return false;



		} else if (!firstKey.equals(other.firstKey))



			return false;



		return true;



	}



 



	



}

说明：在自定义组合键的时候，我们需要特别注意，一定要实现WritableComparable接口，并且实现compareTo()方法的比较策略。这个用于MapReduce的第一次默认排序，也就是发生在Map阶段的sort小阶段，发生地点为环形缓冲区(可以通过io.sort.mb进行大小调整)，但是其对我们最终的二次排序结果是没有影响的，我们二次排序的最终结果是由我们的自定义比较器决定的。

2.自定义分区器




/**



 * 自定义分区



 * @author 廖钟*民



 * time : 2015年1月19日下午12:13:54



 * @version



 */




public class DefinedPartition extends Partitioner<CombinationKey, IntWritable>{



 



	/**




	 * 数据输入来源：map输出 我们这里根据组合键的第一个值作为分区



	 * 如果不自定义分区的话，MapReduce会根据默认的Hash分区方法



	 * 将整个组合键相等的分到一个分区中，这样的话显然不是我们要的效果



	 * @param key map输出键值



	 * @param value map输出value值



	 * @param numPartitions 分区总数，即reduce task个数



	 */



	public int getPartition(CombinationKey key, IntWritable value, int numPartitions) {



		System.out.println("---------------------进入自定义分区---------------------");



		System.out.println("---------------------结束自定义分区---------------------");



		return (key.getFirstKey().hashCode() & Integer.MAX_VALUE) % numPartitions;



	}



 



}

3.自定义比较器





public class DefinedComparator extends WritableComparator{



 



	protected DefinedComparator() {



		super(CombinationKey.class,true);



	}



 



	/**




	 * 第一列按升序排列，第二列也按升序排列



	 */



	public int compare(WritableComparable a, WritableComparable b) {



		System.out.println("------------------进入二次排序-------------------");



		CombinationKey c1 = (CombinationKey) a;



		CombinationKey c2 = (CombinationKey) b;



		int minus = c1.getFirstKey().compareTo(c2.getFirstKey());



		



		if (minus != 0){



			System.out.println("------------------结束二次排序-------------------");



			return minus;



		} else {



			System.out.println("------------------结束二次排序-------------------");



			return c1.getSecondKey().get() -c2.getSecondKey().get();



		}



	}



}

4.自定义分组




/**



 * 自定义分组有中方式，一种是继承WritableComparator



 * 另外一种是实现RawComparator接口



 * @author 廖*民



 * time : 2015年1月19日下午3:30:11



 * @version



 */




public class DefinedGroupSort extends WritableComparator{



 



 



	protected DefinedGroupSort() {



		super(CombinationKey.class,true);



	}



 



	@Override




	public int compare(WritableComparable a, WritableComparable b) {



		System.out.println("---------------------进入自定义分组---------------------");



		CombinationKey combinationKey1 = (CombinationKey) a;



		CombinationKey combinationKey2 = (CombinationKey) b;



		System.out.println("---------------------分组结果：" + combinationKey1.getFirstKey().compareTo(combinationKey2.getFirstKey()));



		System.out.println("---------------------结束自定义分组---------------------");



		//自定义按原始数据中第一个key分组




		return combinationKey1.getFirstKey().compareTo(combinationKey2.getFirstKey());



	}



 



 



}

5.主体程序实现





public class SecondSortMapReduce {



 



		// 定义输入路径




		private static final String INPUT_PATH = "hdfs://liaozhongmin:9000/sort_data";



		// 定义输出路径




		private static final String OUT_PATH = "hdfs://liaozhongmin:9000/out";



 



		public static void main(String[] args) {



 



			try {



				// 创建配置信息




				Configuration conf = new Configuration();



				conf.set(KeyValueLineRecordReader.KEY_VALUE_SEPERATOR, "\t");



 



				// 创建文件系统




				FileSystem fileSystem = FileSystem.get(new URI(OUT_PATH), conf);



				// 如果输出目录存在，我们就删除




				if (fileSystem.exists(new Path(OUT_PATH))) {



					fileSystem.delete(new Path(OUT_PATH), true);



				}



 



				// 创建任务




				Job job = new Job(conf, SecondSortMapReduce.class.getName());



 



				//1.1	设置输入目录和设置输入数据格式化的类




				FileInputFormat.setInputPaths(job, INPUT_PATH);



				job.setInputFormatClass(KeyValueTextInputFormat.class);



 



				//1.2	设置自定义Mapper类和设置map函数输出数据的key和value的类型




				job.setMapperClass(SecondSortMapper.class);



				job.setMapOutputKeyClass(CombinationKey.class);



				job.setMapOutputValueClass(IntWritable.class);



 



				//1.3	设置分区和reduce数量(reduce的数量，和分区的数量对应，因为分区为一个，所以reduce的数量也是一个)




				job.setPartitionerClass(DefinedPartition.class);



				job.setNumReduceTasks(1);



				



				//设置自定义分组策略




				job.setGroupingComparatorClass(DefinedGroupSort.class);



				//设置自定义比较策略(因为我的CombineKey重写了compareTo方法，所以这个可以省略)




				job.setSortComparatorClass(DefinedComparator.class);



				



				//1.4	排序




				//1.5	归约




				//2.1	Shuffle把数据从Map端拷贝到Reduce端。




				//2.2	指定Reducer类和输出key和value的类型




				job.setReducerClass(SecondSortReducer.class);



				job.setOutputKeyClass(Text.class);



				job.setOutputValueClass(Text.class);



 



				//2.3	指定输出的路径和设置输出的格式化类




				FileOutputFormat.setOutputPath(job, new Path(OUT_PATH));



				job.setOutputFormatClass(TextOutputFormat.class);



 



 



				// 提交作业 退出




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



			



			} catch (Exception e) {



				e.printStackTrace();



			}



		}



		



	public static class SecondSortMapper extends Mapper<Text, Text, CombinationKey, IntWritable>{



		/**




		 * 这里要特殊说明一下，为什么要将这些变量写在map函数外边



		 * 对于分布式的程序，我们一定要注意到内存的使用情况，对于MapReduce框架



		 * 每一行的原始记录的处理都要调用一次map()函数，假设，这个map()函数要处理1一亿



		 * 条输入记录，如果将这些变量都定义在map函数里面则会导致这4个变量的对象句柄



		 * 非常的多(极端情况下将产生4*1亿个句柄，当然java也是有自动的GC机制的，一定不会达到这么多)



		 * 导致栈内存被浪费掉，我们将其写在map函数外面，顶多就只有4个对象句柄



		 */



		private CombinationKey combinationKey = new CombinationKey();



		Text sortName = new Text();



		IntWritable score = new IntWritable();



		String[] splits = null;



		protected void map(Text key, Text value, Mapper<Text, Text, CombinationKey, IntWritable>.Context context) throws IOException, InterruptedException {



			System.out.println("---------------------进入map()函数---------------------");



			//过滤非法记录(这里用计数器比较好)




			if (key == null || value == null || key.toString().equals("")){



				return;



			}



			//构造相关属性




			sortName.set(key.toString());



			score.set(Integer.parseInt(value.toString()));



			//设置联合key




			combinationKey.setFirstKey(sortName);



			combinationKey.setSecondKey(score);



			



			//通过context把map处理后的结果输出




			context.write(combinationKey, score);



			System.out.println("---------------------结束map()函数---------------------");



		}



		



	}



	



	



	public static class SecondSortReducer extends Reducer<CombinationKey, IntWritable, Text, Text>{



		



		StringBuffer sb = new StringBuffer();



		Text score = new Text();



		/**




		 * 这里要注意一下reduce的调用时机和次数：



		 * reduce每次处理一个分组的时候会调用一次reduce函数。



		 * 所谓的分组就是将相同的key对应的value放在一个集合中



		 * 例如：<sort1,1> <sort1,2>



		 * 分组后的结果就是



		 * <sort1,{1,2}>这个分组会调用一次reduce函数



		 */



		protected void reduce(CombinationKey key, Iterable<IntWritable> values, Reducer<CombinationKey, IntWritable, Text, Text>.Context context)




				throws IOException, InterruptedException {



			



			



			//先清除上一个组的数据




			sb.delete(0, sb.length());



			



			for (IntWritable val : values){



				sb.append(val.get() + ",");



			}



			



			//取出最后一个逗号




			if (sb.length() > 0){



				sb.deleteCharAt(sb.length() - 1);



			}



			



			//设置写出去的value




			score.set(sb.toString());



			



			//将联合Key的第一个元素作为新的key，将score作为value写出去




			context.write(key.getFirstKey(), score);



			



			System.out.println("---------------------进入reduce()函数---------------------");



			System.out.println("---------------------{[" + key.getFirstKey()+"," + key.getSecondKey() + "],[" +score +"]}");



			System.out.println("---------------------结束reduce()函数---------------------");



		}



	}



}

程序运行的结果：

Hadoop二次排序及MapReduce处理流程实例详解

五、处理流程

看到前面的代码，都知道我在各个组件上已经设置好了相应的标志，用于追踪整个MapReduce处理二次排序的处理流程。现在让我们分别看看Map端和Reduce端的日志情况。

(1)Map端日志分析





15/01/19 15:32:29 INFO input.FileInputFormat: Total input paths to process : 1





15/01/19 15:32:29 WARN snappy.LoadSnappy: Snappy native library not loaded




15/01/19 15:32:30 INFO mapred.JobClient: Running job: job_local_0001




15/01/19 15:32:30 INFO mapred.Task:  Using ResourceCalculatorPlugin : null





15/01/19 15:32:30 INFO mapred.MapTask: io.sort.mb = 100





15/01/19 15:32:30 INFO mapred.MapTask: data buffer = 79691776/99614720





15/01/19 15:32:30 INFO mapred.MapTask: record buffer = 262144/327680




---------------------进入map()函数---------------------



---------------------进入自定义分区---------------------



---------------------结束自定义分区---------------------



---------------------结束map()函数---------------------



---------------------进入map()函数---------------------



---------------------进入自定义分区---------------------



---------------------结束自定义分区---------------------



---------------------结束map()函数---------------------



---------------------进入map()函数---------------------



---------------------进入自定义分区---------------------



---------------------结束自定义分区---------------------



---------------------结束map()函数---------------------



---------------------进入map()函数---------------------



---------------------进入自定义分区---------------------



---------------------结束自定义分区---------------------



---------------------结束map()函数---------------------



---------------------进入map()函数---------------------



---------------------进入自定义分区---------------------



---------------------结束自定义分区---------------------



---------------------结束map()函数---------------------



---------------------进入map()函数---------------------



---------------------进入自定义分区---------------------



---------------------结束自定义分区---------------------



---------------------结束map()函数---------------------



---------------------进入map()函数---------------------



---------------------进入自定义分区---------------------



---------------------结束自定义分区---------------------



---------------------结束map()函数---------------------



---------------------进入map()函数---------------------



---------------------进入自定义分区---------------------



---------------------结束自定义分区---------------------



---------------------结束map()函数---------------------




15/01/19 15:32:30 INFO mapred.MapTask: Starting flush of map output



------------------进入二次排序-------------------



------------------结束二次排序-------------------



------------------进入二次排序-------------------



------------------结束二次排序-------------------



------------------进入二次排序-------------------



------------------结束二次排序-------------------



------------------进入二次排序-------------------



------------------结束二次排序-------------------



------------------进入二次排序-------------------



------------------结束二次排序-------------------



------------------进入二次排序-------------------



------------------结束二次排序-------------------



------------------进入二次排序-------------------



------------------结束二次排序-------------------



------------------进入二次排序-------------------



------------------结束二次排序-------------------



------------------进入二次排序-------------------



------------------结束二次排序-------------------



------------------进入二次排序-------------------



------------------结束二次排序-------------------



------------------进入二次排序-------------------



------------------结束二次排序-------------------



------------------进入二次排序-------------------



------------------结束二次排序-------------------




15/01/19 15:32:30 INFO mapred.MapTask: Finished spill 0





15/01/19 15:32:30 INFO mapred.Task: Task:attempt_local_0001_m_000000_0 is done. And is in the process of commiting




15/01/19 15:32:30 INFO mapred.LocalJobRunner: 




15/01/19 15:32:30 INFO mapred.Task: Task 'attempt_local_0001_m_000000_0' done.




15/01/19 15:32:30 INFO mapred.Task:  Using ResourceCalculatorPlugin : null





15/01/19 15:32:30 INFO mapred.LocalJobRunner:

从Map端的日志，我们可以很容易的看出来每一条记录开始时进入到map()函数进行处理，处理完了之后立马就自定义分区函数中对其进行分区，当所有输入数据经过map()函数和分区函数处理之后，就调用自定义二次排序函数对其进行排序。

(2)Reduce端日志分析





15/01/19 15:32:30 INFO mapred.Merger: Merging 1 sorted segments




15/01/19 15:32:30 INFO mapred.Merger: Down to the last merge-pass, with 1 segments left of total size: 130 bytes




15/01/19 15:32:30 INFO mapred.LocalJobRunner: 



---------------------进入自定义分组---------------------



---------------------分组结果：0




---------------------结束自定义分组---------------------



---------------------进入自定义分组---------------------



---------------------分组结果：-1




---------------------结束自定义分组---------------------



---------------------进入reduce()函数---------------------



---------------------{[sort1,2],[1,2]}



---------------------结束reduce()函数---------------------



---------------------进入自定义分组---------------------



---------------------分组结果：0




---------------------结束自定义分组---------------------



---------------------进入自定义分组---------------------



---------------------分组结果：0




---------------------结束自定义分组---------------------



---------------------进入自定义分组---------------------



---------------------分组结果：-4




---------------------结束自定义分组---------------------



---------------------进入reduce()函数---------------------



---------------------{[sort2,88],[3,54,88]}



---------------------结束reduce()函数---------------------



---------------------进入自定义分组---------------------



---------------------分组结果：0




---------------------结束自定义分组---------------------



---------------------进入自定义分组---------------------



---------------------分组结果：0




---------------------结束自定义分组---------------------



---------------------进入reduce()函数---------------------



---------------------{[sort6,888],[22,58,888]}



---------------------结束reduce()函数---------------------




15/01/19 15:32:30 INFO mapred.Task: Task:attempt_local_0001_r_000000_0 is done. And is in the process of commiting




15/01/19 15:32:30 INFO mapred.LocalJobRunner: 




15/01/19 15:32:30 INFO mapred.Task: Task attempt_local_0001_r_000000_0 is allowed to commit now




15/01/19 15:32:30 INFO output.FileOutputCommitter: Saved output of task 'attempt_local_0001_r_000000_0' to hdfs://liaozhongmin:9000/out





15/01/19 15:32:30 INFO mapred.LocalJobRunner: reduce > reduce




15/01/19 15:32:30 INFO mapred.Task: Task 'attempt_local_0001_r_000000_0' done.




15/01/19 15:32:31 INFO mapred.JobClient:  map 100% reduce 100%




15/01/19 15:32:31 INFO mapred.JobClient: Job complete: job_local_0001




15/01/19 15:32:31 INFO mapred.JobClient: Counters: 19





15/01/19 15:32:31 INFO mapred.JobClient:   File Output Format Counters 




15/01/19 15:32:31 INFO mapred.JobClient:     Bytes Written=40





15/01/19 15:32:31 INFO mapred.JobClient:   FileSystemCounters




15/01/19 15:32:31 INFO mapred.JobClient:     FILE_BYTES_READ=446





15/01/19 15:32:31 INFO mapred.JobClient:     HDFS_BYTES_READ=140





15/01/19 15:32:31 INFO mapred.JobClient:     FILE_BYTES_WRITTEN=131394





15/01/19 15:32:31 INFO mapred.JobClient:     HDFS_BYTES_WRITTEN=40





15/01/19 15:32:31 INFO mapred.JobClient:   File Input Format Counters 




15/01/19 15:32:31 INFO mapred.JobClient:     Bytes Read=70





15/01/19 15:32:31 INFO mapred.JobClient:   Map-Reduce Framework




15/01/19 15:32:31 INFO mapred.JobClient:     Reduce input groups=3





15/01/19 15:32:31 INFO mapred.JobClient:     Map output materialized bytes=134





15/01/19 15:32:31 INFO mapred.JobClient:     Combine output records=0





15/01/19 15:32:31 INFO mapred.JobClient:     Map input records=8





15/01/19 15:32:31 INFO mapred.JobClient:     Reduce shuffle bytes=0





15/01/19 15:32:31 INFO mapred.JobClient:     Reduce output records=3





15/01/19 15:32:31 INFO mapred.JobClient:     Spilled Records=16





15/01/19 15:32:31 INFO mapred.JobClient:     Map output bytes=112





15/01/19 15:32:31 INFO mapred.JobClient:     Total committed heap usage (bytes)=391118848





15/01/19 15:32:31 INFO mapred.JobClient:     Combine input records=0





15/01/19 15:32:31 INFO mapred.JobClient:     Map output records=8





15/01/19 15:32:31 INFO mapred.JobClient:     SPLIT_RAW_BYTES=99





15/01/19 15:32:31 INFO mapred.JobClient:     Reduce input records=8

首先，我们看了Reduce端的日志，第一个信息我应该很容易能够很容易看出来，就是分组和reduce()函数处理都是在Shuffle完成之后才进行的。另外一点我们也非常容易看出，就是每次处理完一个分组数据就会去调用一次的reduce()函数对这个分组进行处理和输出。此外，说明一些分组函数的返回值问题，当返回0时才会被分到同一个组中。另外一点我们也可以看出来，一个分组中每合并n个值就会有n-1分组函数返回0值，也就是说进行了n-1次比较。

六、总结

本文主要从MapReduce框架执行的流程，去分析了如何去实现二次排序，通过代码进行了实现，并且对整个流程进行了验证。另外，要吐槽一下，网络上有很多文章都记录了MapReudce处理二次排序问题，但是对MapReduce框架整个处理流程的描述错漏很多，而且他们最终的流程描述也没有证据可以支撑。所以，对于网络上的学习资源不能够完全依赖，要融入自己的思想，并且要重要的观点进行代码或者实践的验证。另外，今天在一个hadoop交流群上听到少部分人在讨论，有了hive我们就不用学习些MapReduce程序？对这这个问题我是这么认为：我不相信写不好MapReduce程序的程序员会写好hive语句，最起码的他们对整个执行流程是一无所知的，更不用说性能问题了，有可能连最常见的数据倾斜问题的弄不清楚。

如果文章写的有问题，欢迎指出，共同学习！

Hadoop二次排序及MapReduce处理流程实例详解

相关推荐