使用hadoop进行大规模数据的全局排序

1. Hellow hadoop~~! Hadoop（某人儿子的一只虚拟大象的名字）是一个复杂到极致，又简单到极致的东西。 说它复杂，是因为一个hadoop集群往往有几十台甚至成百上千台low cost的计算机组成，你运行的每一个任务都要在这些计算机上做任务的分发，执行中间数据排序以及最后的汇总，期间还包含节点发现，任务的重试，故障节点替换等等等等的维护以及异常情况处理。谁叫hadoop集群往往都是由一些平民计算机组成，没事儿罢个工什么的，实在是再寻常不过的事情。 而说其简单，则是因为，上面说到的那些，你通通不用管，你所需要做的，就是写一个程序，当然也可以是脚本，从标准输入读入一条数据，处理完之后，把结果输出到标准输出。 现在，或许你就明白了，hadoop就是一个计算模型。一个分布式的计算模型。 1.1Map和reduce 天下大事，分久必合、合久必分。 所谓分布式计算，就是把一大堆用于计算的数据材料切了，扔到多个锅里面，该焯水的焯水，该油炸的油炸。然后都准备的差不多了，按着一定的先后顺序，比如不好熟的先放，好熟的后放什么的，一块下锅炒成一盘菜出来，端出来上桌。 前面的步骤，就是map，分发。Map的作用就是把输入数据打散，做简单的处理，输出。而hadoop则要先将中间数据排序，这个称为shuffle，然后由reduce把中间数据合并到一起。将最终结果输出。 举个简单的例子：公安局要根据数据库内身份证号获得全国每个地市人口数情况（好吧，这个应该是统计局做的），这个任务落到你的头上了，你应该先把所有的身份证号导出到文件中，每行一个，然后把这些文件交给map。Map中的要做的就是截取身份证号的前面六位，把这六位数字直接输出。然后hadoop会把这些身份证号的前六位排序，把相同的数据都排到一起，交给reduce，reduce判断每次输入的号码是否与上一个处理的相同，相同则累加，不同则把之前的号码，和统计的数值输出。这样，你就获得了各地市的人口数统计。 下面这个图就是map和reduce处理的图示：

上图是MapReduce的数据处理视图。分为map，shuffle，reduce三个部分。各map任务读入切分后的大规模数据进行处理并将数据作为一系列key:value对输出，输出的中间数据按照定义的方式通过shuffle程序分发到相应的reduce任务。Shuffle程序还会按照定义的方式对发送到一个reduce任务的数据进行排序。Reduce进行最后的数据处理。 MapReduce计算框架适用于超大规模的数据（100TB量级）且各数据之间相关性较低的情况。 1.2HDFS

之前，或许你听说过NTFS，VFS，NFS等等等等，没错，HDFS就是hadoop file system。 为什么需要一种专门的文件系统呢？ 这是因为hadoop使用过网络松散（说其松散，是因为hadoop集群中的任意一个计算机故障了或是不相干了，都不会对集群造成影响）的组合到一起的。多个计算机需要一个统一的文件访问方式。也就是根据一个路径，不同的计算机可以定位同一个文件。 HDFS就是这样一种分布式文件系统，提供了较好的容错功能和扩展性。 1.3节点与槽位

Hadoop集群是由很多low cost的计算机组成的，这些计算机被称为节点。组成hadoop的计算机通常都是全功能的，没有特别的专门用于计算和存储的部分。 这样带来的好处是明显的，因为特别大的硬盘和特别快的cpu，总是意味着难以接受的价格。而且这样一个配置“特别的”节点计算机挂掉了，找个他的替身将是很困难的事情。 计算节点和存储节点统一的另一个好处是，任务在计算过程中产生的文件，可以直接放在本机的存储节点上，减少网络带宽占用和延迟。 在衡量hadoop的map和reduce的处理能力的时候通常都是以槽位为单位的。槽位就是集群内每个计算机的cpu并发数（cpu数*核心数*超线程数）的总和。每个任务都会安排在一个槽位内允许，安排不到槽位的任务则会等待。 2.1应用hadoop进行大规模数据全局排序的方法

使用hadoop进行大量的数据排序排序最直观的方法是把文件所有内容给map之后，map不做任何处理，直接输出给一个reduce，利用hadoop的自己的shuffle机制，对所有数据进行排序，而后由reduce直接输出。 然而这样的方法跟单机毫无差别，完全无法用到多机分布式计算的便利。因此这种方法是不行的。 利用hadoop分而治之的计算模型，可以参照快速排序的思想。在这里我们先简单回忆一下快速排序。快速排序基本步骤就是需要现在所有数据中选取一个作为支点。然后将大于这个支点的放在一边，小于这个支点的放在另一边。 设想如果我们有N个支点（这里可以称为标尺），就可以把所有的数据分成N+1个part，将这N+1个part丢给reduce，由hadoop自动排序，最后输出N+1个内部有序的文件，再把这N+1个文件首尾相连合并成一个文件，收工。 由此我们可以归纳出这样一个用hadoop对大量数据排序的步骤：

1）对待排序数据进行抽样； 2）对抽样数据进行排序，产生标尺； 3）Map对输入的每条数据计算其处于哪两个标尺之间；将数据发给对应区间ID的reduce 4）Reduce将获得数据直接输出。 这里使用对一组url进行排序来作为例子：

这里还有一点小问题要处理：如何将数据发给一个指定ID的reduce？hadoop提供了多种分区算法。这些算法根据map输出的数据的key来确定此数据应该发给哪个reduce（reduce的排序也依赖key）。因此，如果需要将数据发给某个reduce，只要在输出数据的同时，提供一个key（在上面这个例子中就是reduce的ID+url），数据就该去哪儿去哪儿了。 2.2注意事项

1)标尺的抽取应该尽可能的均匀，这与快速排序很多变种算法均是强调支点的选取是一致的。 2)HDFS是一种读写性能很不对称的文件系统。应该尽可能的利用其读性能很强的特点。减少对写文件和shuffle操作的依赖。举例来说，当需要根据数据的统计情况来决定对数据的处理的时候。将统计和数据处理分成两轮map-reduce比将统计信息合并和数据处理都放到一个reduce中要快速的多。 3. 总结

Hadoop实际是一种以数据为驱动的计算模型，结合MapReduce和HDFS，将任务运行在数据存放的计算节点上，充分利用了计算节点的存储和计算资源，同时也大大节省了网络传输数据的开销。 Hadoop提供了简便利用集群进行并行计算的平台。各种可以隔离数据集之间相关性的运算模型都能够在Hadoop上被良好应用。之后会有更多的利用Hadoop实现的大规模数据基础计算方法的介绍。