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
[java] view plain copy
- sort1 1
- sort2 3
- sort2 88
- sort2 54
- sort1 2
- sort6 22
- sort6 888
- sort6 58
2.目标输出
[java] view plain copy
- 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:
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:
[java] view plain copy
- {[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:
[java] view plain copy
- 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。
[java] view plain copy
- {[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:
[java] view plain copy
- sort1 1,2
- sort2 3,54,88
- sort6 22,58,888
四、具体实现
1.自定义组合键
[java] view plain copy
- 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
[java] view plain copy
- /**
- * 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
[java] view plain copy
- 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
[java] view plain copy
- /**
- * 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
[java] view plain copy
- 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:
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
[java] view plain copy
- 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
[java] view plain copy
- 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。