Loading [MathJax]/jax/input/TeX/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >Hadoop MapReduce 二次排序原理及其应用

Hadoop MapReduce 二次排序原理及其应用

作者头像
用户1177713
发布于 2018-02-24 06:53:10
发布于 2018-02-24 06:53:10
1.2K00
代码可运行
举报
文章被收录于专栏:数据之美数据之美
运行总次数:0
代码可运行

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.csdn.net/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:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
package SecondarySort;

import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.io.WritableComparator;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Partitioner;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;

public class SecondarySort
{
    //自己定义的key类应该实现WritableComparable接口
    public static class IntPair implements WritableComparable<IntPair>
    {
        String first;
        String second;
        /**
         * Set the left and right values.
         */
        public void set(String left, String right)
        {
            first = left;
            second = right;
        }
        public String getFirst()
        {
            return first;
        }
        public String getSecond()
        {
            return second;
        }
        //反序列化,从流中的二进制转换成IntPair
        public void readFields(DataInput in) throws IOException
        {
            first = in.readUTF();
            second = in.readUTF();
        }
        //序列化,将IntPair转化成使用流传送的二进制
        public void write(DataOutput out) throws IOException
        {
            out.writeUTF(first);
            out.writeUTF(second);
        }
        //重载 compareTo 方法,进行组合键 key 的比较,该过程是默认行为。
        //分组后的二次排序会隐式调用该方法。
        public int compareTo(IntPair o)
        {
            if (!first.equals(o.first) )
            {
                return first.compareTo(o.first);
            }
            else if (!second.equals(o.second))
            {
                return second.compareTo(o.second);
            }
            else
            {
                return 0;
            }
        }

        //新定义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()
        {
            return first.hashCode() * 157 + second.hashCode();
        }
        public boolean equals(Object right)
        {
            if (right == null)
                return false;
            if (this == right)
                return true;
            if (right instanceof IntPair)
            {
                IntPair r = (IntPair) right;
                return r.first.equals(first) && r.second.equals(second) ;
            }
            else
            {
                return false;
            }
        }
    }
    /**
      * 分区函数类。根据first确定Partition。
      */
    public static class FirstPartitioner extends Partitioner<IntPair, Text>
    {
        public int getPartition(IntPair key, Text value,int numPartitions)
        {
            return Math.abs(key.getFirst().hashCode() * 127) % numPartitions;
        }
    }

    /**
     * 分组函数类。只要first相同就属于同一个组。
     */
    /*//第一种方法,实现接口RawComparator
    public static class GroupingComparator implements RawComparator<IntPair> {
        public int compare(IntPair o1, IntPair o2) {
            int l = o1.getFirst();
            int r = o2.getFirst();
            return l == r ? 0 : (l < r ? -1 : 1);
        }
        //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。
        public int compare(byte[] b1, int s1, int l1, byte[] b2, int s2, int l2){
             return WritableComparator.compareBytes(b1, s1, Integer.SIZE/8,
                     b2, s2, Integer.SIZE/8);
        }
    }*/
    //第二种方法,继承WritableComparator
    public static class GroupingComparator extends WritableComparator
    {
        protected GroupingComparator()
        {
            super(IntPair.class, true);
        }
        //Compare two WritableComparables.
        //  重载 compare:对组合键按第一个自然键排序分组
        public int compare(WritableComparable w1, WritableComparable w2)
        {
            IntPair ip1 = (IntPair) w1;
            IntPair ip2 = (IntPair) w2;
            String l = ip1.getFirst();
            String r = ip2.getFirst();
            return l.compareTo(r);
        }
    }


    // 自定义map
    public static class Map extends Mapper<LongWritable, Text, IntPair, Text>
    {
        private final IntPair keyPair = new IntPair();
        String[] lineArr = null;
        public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException
        {
            String line = value.toString();
            lineArr = line.split("\t", -1);
            keyPair.set(lineArr[0], lineArr[1]);
            context.write(keyPair, value);
        }
    }
    // 自定义reduce
    //
    public static class Reduce extends Reducer<IntPair, Text, Text, Text>
    {
        private static final Text SEPARATOR = new Text("------------------------------------------------");
        
        public void reduce(IntPair key, Iterable<Text> values,Context context) throws IOException, InterruptedException
        {
            context.write(SEPARATOR, null);
            for (Text val : values)
            {
                context.write(null, val);
            }
        }
    }

    public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException
    {
        // 读取hadoop配置
        Configuration conf = new Configuration();
        // 实例化一道作业
        Job job = new Job(conf, "secondarysort");
        job.setJarByClass(SecondarySort.class);
        // Mapper类型
        job.setMapperClass(Map.class);
        // 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
        //job.setCombinerClass(Reduce.class);
        // Reducer类型
        job.setReducerClass(Reduce.class);
        // 分区函数
        job.setPartitionerClass(FirstPartitioner.class);
        // 分组函数
        job.setGroupingComparatorClass(GroupingComparator.class);

        // map 输出Key的类型
        job.setMapOutputKeyClass(IntPair.class);
        // map输出Value的类型
        job.setMapOutputValueClass(Text.class);
        // rduce输出Key的类型,是Text,因为使用的OutputFormatClass是TextOutputFormat
        job.setOutputKeyClass(Text.class);
        // rduce输出Value的类型
        job.setOutputValueClass(Text.class);

        // 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。
        job.setInputFormatClass(TextInputFormat.class);
        // 提供一个RecordWriter的实现,负责数据输出。
        job.setOutputFormatClass(TextOutputFormat.class);

        // 输入hdfs路径
        FileInputFormat.setInputPaths(job, new Path(args[0]));
        // 输出hdfs路径
        FileSystem.get(conf).delete(new Path(args[1]), true);
        FileOutputFormat.setOutputPath(job, new Path(args[1]));
        // 提交job
        System.exit(job.waitForCompletion(true) ? 0 : 1);
    }
}

5 测试需求:

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:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
cookieId	time	url
2	12:12:34	2_hao123
3	09:10:34	3_baidu
1	15:02:41	1_google
3	22:11:34	3_sougou
1	19:10:34	1_baidu
2	15:02:41	2_google
1	12:12:34	1_hao123
3	23:10:34	3_soso
2	05:02:41	2_google

结果:
------------------------------------------------
1       12:12:34        1_hao123
1       15:02:41        1_google
1       19:10:34        1_baidu
------------------------------------------------
2       05:02:41        2_google
2       12:12:34        2_hao123
2       15:02:41        2_google
------------------------------------------------
3       09:10:34        3_baidu
3       22:11:34        3_sougou
3       23:10:34        3_soso

7 原理图(点击查看大图):

8、推荐阅读:

hive中使用标准sql实现分组内排序

http://superlxw1234.iteye.com/blog/1869612

Pig、Hive、MapReduce 解决分组 Top K 问题

http://my.oschina.net/leejun2005/blog/85187

9、REF:

mapreduce的二次排序 SecondarySort

http://blog.csdn.net/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/

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
MapReduce 原理介绍与开发实战
MapReduce 是一个分布式运算程序的编程框架,核心功能是将用户编写的业务逻辑代码和自带默认组件整合成一个完整的分布式运算程序,并发地运行在 Hadoop 集群上。
Se7en258
2021/07/01
1.1K0
mapreduce的二次排序-分区分组
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
字母哥博客
2020/09/21
8180
MapReduce之二次排序
     面试官问了一个MapReduce问题:“如何用MapReduce实现两个表的join连接”。
jiewuyou
2022/09/23
3100
多个字段中如何按其中两个进行排序(二次排序)
多个字段中如何按其中两个进行排序(二次排序) 1 原理     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。     这里主要讲如何使用一个Mapreduce就可以实现二次排序。Hadoop有自带的SecondarySort程序,但这个程序只能对整数进行排序,所以我们需要对其进行改进,使其可以对任意字符串进行排序。下面会分别列出这两个程序的详解。        Hadoop自带的例子中定义的map和reduce如下,关键是它对输入输出类型的定
闵开慧
2018/04/02
5K0
Hadoop MapReduce 二次排序
package SecondarySort; import java.io.DataInput; import java.io.DataOutput; import java.io.IOException; import java.util.Set; import java.util.StringTokenizer; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.Path; import org.
小爷毛毛_卓寿杰
2019/02/13
4340
hadoop系列之MR的经典代码案例一
七、MapReduce经典案例 1、网站分析案例 1)分析 省份访问 procinceId --> Key 1 -->Value <procinceId,lis
Spark学习技巧
2018/01/31
2.2K0
hadoop系列之MR的经典代码案例一
Hadoop数据分析平台实战——070深入理解MapReduce 02(案例)离线数据分析平台实战——070深入理解MapReduce 02
离线数据分析平台实战——070深入理解MapReduce 02 Shuffle阶段说明 shuffle阶段主要包括map阶段的combine、group、sort、partition以及reducer阶段的合并排序。 Map阶段通过shuffle后会将输出数据按照reduce的分区分文件的保存, 文件内容是按照定义的sort进行排序好的。 Map阶段完成后会通知ApplicationMaster,然后AM会通知Reduce进行数据的拉取,在拉取过程中进行reduce端的shuffle过程。 用户自定义
Albert陈凯
2018/04/08
5760
MapReduce快速入门系列(10) | 二次排序和辅助排序案例(GroupingComparator分组)
什么是GroupingComparator分组(辅助排序)?   对Reduce阶段的数据根据某一个或几个字段进行分组。
不温卜火
2020/10/28
7120
MapReduce快速入门系列(10) | 二次排序和辅助排序案例(GroupingComparator分组)
MapReduce之GroupingComparator分组(辅助排序、二次排序)
利用“订单id和成交金额”作为key,所以把每一行记录封装为bean。由于需要比较ID,所以实现了WritableComparable接口 OrderBean.java
孙晨c
2020/08/11
6910
最经典的大数据案例解析(附代码)
假设以上就是我们需要处理的数据,我们需要计算出每个月天气最热的两天。 这个案例用到的东西很多,如果你能静下心来好好看完,你一定会受益匪浅的 首先我们对自己提出几个问题 1.怎么划分数据,怎么定义一组??? 2.考虑reduce的计算复杂度??? 3.能不能多个reduce??? 4.如何避免数据倾斜??? 5.如何自定义数据类型??? —-记录特点 每年 每个月 温度最高 2天 1天多条记录怎么处理? —-进一步思考 年月分组 温度升序 key中要包含时间和温度! —-MR原语:相同的key分到一组 通过GroupCompartor设置分组规则 —-自定义数据类型Weather 包含时间 包含温度 自定义排序比较规则 —-自定义分组比较 年月相同被视为相同的key 那么reduce迭代时,相同年月的记录有可能是同一天的,reduce中需要判断是否同一天 注意OOM —-数据量很大 全量数据可以切分成最少按一个月份的数据量进行判断 这种业务场景可以设置多个reduce 通过实现partition
全栈程序员站长
2022/08/15
6420
最经典的大数据案例解析(附代码)
Hadoop基础教程-第7章 MapReduce进阶(7.7 MapReduce 全排序)
MapReduce默认只是保证同一个分区内的Key是有序的,但是不保证全局有序。如果我们将所有的数据全部发送到一个Reduce,那么不就可以实现结果全局有序。所以前文7.6节二次排序已经实现了最终结果有序,也就是全排序。 MapReduce全排序的方法1: 每个map任务对自己的输入数据进行排序,但是无法做到全局排序,需要将数据传递到reduce,然后通过reduce进行一次总的排序,但是这样做的要求是只能有一个reduce任务来完成。
程裕强
2022/05/06
2340
Hadoop基础教程-第7章 MapReduce进阶(7.7 MapReduce 全排序)
Hadoop基础教程-第7章 MapReduce进阶(7.6 MapReduce 二次排序)
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。所谓二次排序,先按第1个字段进行排序,然后对第1个字段相同的数据,再按第2个字段进行排序。
程裕强
2022/05/06
2220
大数据-MapReduce排序和序列化
反序列化 (Deserialization) 是序列化的逆过程. 把字节流转为结构化对象. 当要在进程间传递对象或持久化对象的时候, 就需要序列化对象成字节流, 反之当要将接收到或从 磁盘读取的字节流转换为对象, 就要进行反序列化
cwl_java
2019/12/25
6110
MapReduce
(4) ReduceTask进程对每-组相同k的<K,V>组调用一次reduce()方法
CBeann
2023/12/25
4220
MapReduce
BigData--MapReduce进阶(二)之工作机制
Bean对象实现WritableComparable几口,重写compareTo()方法
MiChong
2020/09/24
5440
BigData--MapReduce进阶(二)之工作机制
MapReduce实现倒序排序的两种方法
需要注意,这里的比较是对MapReduce中key类型的比较,并且key的类型为InWritable类型。
静谧星空TEL
2021/04/27
7480
Hadoop中的Secondary Sort
我们首先提出了一个查询问题,为了解决这个问题,需要在数据集的多个字段上进行排序。然后,我们将研究 MapReduce Shuff 阶段的工作原理,然后再实现我们的二次排序以获得我们想要的查询结果。
smartsi
2019/08/07
1.9K0
三种方法实现Hadoop(MapReduce)全局排序(1)
我们可能会有些需求要求MapReduce的输出全局有序,这里说的有序是指Key全局有序。但是我们知道,MapReduce默认只是保证同一个分区内的Key是有序的,但是不保证全局有序。基于此,本文提供三种方法来对MapReduce的输出进行全局排序。
用户2966292
2018/08/30
1.5K0
Hadoop-2.4.1学习之Mapper和Reducer
MapReduce允许程序员能够容易地编写并行运行在大规模集群上处理大量数据的程序,确保程序的运行稳定可靠和具有容错处理能力。程序员编写的运行在MapReduce上的应用程序称为作业(job),Hadoop既支持用Java编写的job,也支持其它语言编写的作业,比如Hadoop Streaming(shell、python)和Hadoop Pipes(c++)。Hadoop-2.X不再保留Hadoop-1.X版本中的JobTracker和TaskTracker组件,但这并不意味着Hadoop-2.X不再支持MapReduce作业,相反Hadoop-2.X通过唯一的主ResourceManager、每个节点一个的从NodeManager和每个应用程序一个的MRAppMaster保留了对MapReduce作业的向后兼容。在新版本中MapReduce作业依然由Map和Reduce任务组成,Map依然接收由MapReduce框架将输入数据分割为数据块,然后Map任务以完全并行的方式处理这些数据块,接着MapReduce框架对Map任务的输出进行排序,并将结果做为Reduce任务的输入,最后由Reduce任务输出最终的结果,在整个执行过程中MapReduce框架负责任务的调度,监控和重新执行失败的任务等。
星哥玩云
2022/07/03
7520
2021年大数据Hadoop(二十二):MapReduce的自定义分组
GroupingComparator是mapreduce当中reduce端的一个功能组件,主要的作用是决定哪些数据作为一组,调用一次reduce的逻辑,默认是每个不同的key,作为多个不同的组,每个组调用一次reduce逻辑,我们可以自定义GroupingComparator实现不同的key作为同一个组,调用一次reduce逻辑
Lansonli
2021/10/11
5370
推荐阅读
相关推荐
MapReduce 原理介绍与开发实战
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
本文部分代码块支持一键运行,欢迎体验
本文部分代码块支持一键运行,欢迎体验