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

[java] view plain copy

  1. sort1   1
  2. sort2   3
  3. sort2   88
  4. sort2   54
  5. sort1   2
  6. sort6   22
  7. sort6   888
  8. sort6   58

2.目标输出

[java] view plain copy

  1. sort1   1,2
  2. sort2   3,54,88
  3. 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

  1. {[sort1,1],1}
  2. {[sort2,3],3}
  3. {[sort2,88],88}
  4. {[sort2,54],54}
  5. {[sort1,2],2}
  6. {[sort6,22],22}
  7. {[sort6,888],888}
  8. {[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

  1. Partition1:{[sort1,1],1}、{[sort1,2],2}
  2. Partition2:{[sort2,3],3}、{[sort2,88],88}、{[sort2,54],54}
  3. 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

  1. {[sort1,1],1}
  2. {[sort1,2],2}
  3. {[sort2,3],3}
  4. {[sort2,54],54}
  5. {[sort2,88],88}
  6. {[sort6,22],22}
  7. {[sort6,58],58}
  8. {[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

  1. sort1   1,2
  2. sort2   3,54,88
  3. sort6   22,58,888

四、具体实现

1.自定义组合键

[java] view plain copy

  1. public class CombinationKey implements WritableComparable<CombinationKey>{
  2. private Text firstKey;
  3. private IntWritable secondKey;
  4. //无参构造函数
  5. public CombinationKey() {
  6. this.firstKey = new Text();
  7. this.secondKey = new IntWritable();
  8. }
  9. //有参构造函数
  10. public CombinationKey(Text firstKey, IntWritable secondKey) {
  11. this.firstKey = firstKey;
  12. this.secondKey = secondKey;
  13. }
  14. public Text getFirstKey() {
  15. return firstKey;
  16. }
  17. public void setFirstKey(Text firstKey) {
  18. this.firstKey = firstKey;
  19. }
  20. public IntWritable getSecondKey() {
  21. return secondKey;
  22. }
  23. public void setSecondKey(IntWritable secondKey) {
  24. this.secondKey = secondKey;
  25. }
  26. public void write(DataOutput out) throws IOException {
  27. this.firstKey.write(out);
  28. this.secondKey.write(out);
  29. }
  30. public void readFields(DataInput in) throws IOException {
  31. this.firstKey.readFields(in);
  32. this.secondKey.readFields(in);
  33. }
  34. /*public int compareTo(CombinationKey combinationKey) {
  35. int minus = this.getFirstKey().compareTo(combinationKey.getFirstKey());
  36. if (minus != 0){
  37. return minus;
  38. }
  39. return this.getSecondKey().get() - combinationKey.getSecondKey().get();
  40. }*/
  41. /**
  42. * 自定义比较策略
  43. * 注意:该比较策略用于MapReduce的第一次默认排序
  44. * 也就是发生在Map端的sort阶段
  45. * 发生地点为环形缓冲区(可以通过io.sort.mb进行大小调整)
  46. */
  47. public int compareTo(CombinationKey combinationKey) {
  48. System.out.println("------------------------CombineKey flag-------------------");
  49. return this.firstKey.compareTo(combinationKey.getFirstKey());
  50. }
  51. @Override
  52. public int hashCode() {
  53. final int prime = 31;
  54. int result = 1;
  55. result = prime * result + ((firstKey == null) ? 0 : firstKey.hashCode());
  56. return result;
  57. }
  58. @Override
  59. public boolean equals(Object obj) {
  60. if (this == obj)
  61. return true;
  62. if (obj == null)
  63. return false;
  64. if (getClass() != obj.getClass())
  65. return false;
  66. CombinationKey other = (CombinationKey) obj;
  67. if (firstKey == null) {
  68. if (other.firstKey != null)
  69. return false;
  70. } else if (!firstKey.equals(other.firstKey))
  71. return false;
  72. return true;
  73. }
  74. }

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

  1. /**
  2. * 自定义分区
  3. * @author 廖钟*民
  4. * time : 2015年1月19日下午12:13:54
  5. * @version
  6. */
  7. public class DefinedPartition extends Partitioner<CombinationKey, IntWritable>{
  8. /**
  9. * 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
  10. * 如果不自定义分区的话,MapReduce会根据默认的Hash分区方法
  11. * 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
  12. * @param key map输出键值
  13. * @param value map输出value值
  14. * @param numPartitions 分区总数,即reduce task个数
  15. */
  16. public int getPartition(CombinationKey key, IntWritable value, int numPartitions) {
  17. System.out.println("---------------------进入自定义分区---------------------");
  18. System.out.println("---------------------结束自定义分区---------------------");
  19. return (key.getFirstKey().hashCode() & Integer.MAX_VALUE) % numPartitions;
  20. }
  21. }

3.自定义比较器

[java] view plain copy

  1. public class DefinedComparator extends WritableComparator{
  2. protected DefinedComparator() {
  3. super(CombinationKey.class,true);
  4. }
  5. /**
  6. * 第一列按升序排列,第二列也按升序排列
  7. */
  8. public int compare(WritableComparable a, WritableComparable b) {
  9. System.out.println("------------------进入二次排序-------------------");
  10. CombinationKey c1 = (CombinationKey) a;
  11. CombinationKey c2 = (CombinationKey) b;
  12. int minus = c1.getFirstKey().compareTo(c2.getFirstKey());
  13. if (minus != 0){
  14. System.out.println("------------------结束二次排序-------------------");
  15. return minus;
  16. } else {
  17. System.out.println("------------------结束二次排序-------------------");
  18. return c1.getSecondKey().get() -c2.getSecondKey().get();
  19. }
  20. }
  21. }

4.自定义分组

[java] view plain copy

  1. /**
  2. * 自定义分组有中方式,一种是继承WritableComparator
  3. * 另外一种是实现RawComparator接口
  4. * @author 廖*民
  5. * time : 2015年1月19日下午3:30:11
  6. * @version
  7. */
  8. public class DefinedGroupSort extends WritableComparator{
  9. protected DefinedGroupSort() {
  10. super(CombinationKey.class,true);
  11. }
  12. @Override
  13. public int compare(WritableComparable a, WritableComparable b) {
  14. System.out.println("---------------------进入自定义分组---------------------");
  15. CombinationKey combinationKey1 = (CombinationKey) a;
  16. CombinationKey combinationKey2 = (CombinationKey) b;
  17. System.out.println("---------------------分组结果:" + combinationKey1.getFirstKey().compareTo(combinationKey2.getFirstKey()));
  18. System.out.println("---------------------结束自定义分组---------------------");
  19. //自定义按原始数据中第一个key分组
  20. return combinationKey1.getFirstKey().compareTo(combinationKey2.getFirstKey());
  21. }
  22. }

5.主体程序实现

[java] view plain copy

  1. public class SecondSortMapReduce {
  2. // 定义输入路径
  3. private static final String INPUT_PATH = "hdfs://liaozhongmin:9000/sort_data";
  4. // 定义输出路径
  5. private static final String OUT_PATH = "hdfs://liaozhongmin:9000/out";
  6. public static void main(String[] args) {
  7. try {
  8. // 创建配置信息
  9. Configuration conf = new Configuration();
  10. conf.set(KeyValueLineRecordReader.KEY_VALUE_SEPERATOR, "\t");
  11. // 创建文件系统
  12. FileSystem fileSystem = FileSystem.get(new URI(OUT_PATH), conf);
  13. // 如果输出目录存在,我们就删除
  14. if (fileSystem.exists(new Path(OUT_PATH))) {
  15. fileSystem.delete(new Path(OUT_PATH), true);
  16. }
  17. // 创建任务
  18. Job job = new Job(conf, SecondSortMapReduce.class.getName());
  19. //1.1   设置输入目录和设置输入数据格式化的类
  20. FileInputFormat.setInputPaths(job, INPUT_PATH);
  21. job.setInputFormatClass(KeyValueTextInputFormat.class);
  22. //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
  23. job.setMapperClass(SecondSortMapper.class);
  24. job.setMapOutputKeyClass(CombinationKey.class);
  25. job.setMapOutputValueClass(IntWritable.class);
  26. //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)
  27. job.setPartitionerClass(DefinedPartition.class);
  28. job.setNumReduceTasks(1);
  29. //设置自定义分组策略
  30. job.setGroupingComparatorClass(DefinedGroupSort.class);
  31. //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)
  32. job.setSortComparatorClass(DefinedComparator.class);
  33. //1.4   排序
  34. //1.5   归约
  35. //2.1   Shuffle把数据从Map端拷贝到Reduce端。
  36. //2.2   指定Reducer类和输出key和value的类型
  37. job.setReducerClass(SecondSortReducer.class);
  38. job.setOutputKeyClass(Text.class);
  39. job.setOutputValueClass(Text.class);
  40. //2.3   指定输出的路径和设置输出的格式化类
  41. FileOutputFormat.setOutputPath(job, new Path(OUT_PATH));
  42. job.setOutputFormatClass(TextOutputFormat.class);
  43. // 提交作业 退出
  44. System.exit(job.waitForCompletion(true) ? 0 : 1);
  45. } catch (Exception e) {
  46. e.printStackTrace();
  47. }
  48. }
  49. public static class SecondSortMapper extends Mapper<Text, Text, CombinationKey, IntWritable>{
  50. /**
  51. * 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
  52. * 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
  53. * 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
  54. * 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
  55. * 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)
  56. * 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
  57. */
  58. private CombinationKey combinationKey = new CombinationKey();
  59. Text sortName = new Text();
  60. IntWritable score = new IntWritable();
  61. String[] splits = null;
  62. protected void map(Text key, Text value, Mapper<Text, Text, CombinationKey, IntWritable>.Context context) throws IOException, InterruptedException {
  63. System.out.println("---------------------进入map()函数---------------------");
  64. //过滤非法记录(这里用计数器比较好)
  65. if (key == null || value == null || key.toString().equals("")){
  66. return;
  67. }
  68. //构造相关属性
  69. sortName.set(key.toString());
  70. score.set(Integer.parseInt(value.toString()));
  71. //设置联合key
  72. combinationKey.setFirstKey(sortName);
  73. combinationKey.setSecondKey(score);
  74. //通过context把map处理后的结果输出
  75. context.write(combinationKey, score);
  76. System.out.println("---------------------结束map()函数---------------------");
  77. }
  78. }
  79. public static class SecondSortReducer extends Reducer<CombinationKey, IntWritable, Text, Text>{
  80. StringBuffer sb = new StringBuffer();
  81. Text score = new Text();
  82. /**
  83. * 这里要注意一下reduce的调用时机和次数:
  84. * reduce每次处理一个分组的时候会调用一次reduce函数。
  85. * 所谓的分组就是将相同的key对应的value放在一个集合中
  86. * 例如:<sort1,1> <sort1,2>
  87. * 分组后的结果就是
  88. * <sort1,{1,2}>这个分组会调用一次reduce函数
  89. */
  90. protected void reduce(CombinationKey key, Iterable<IntWritable> values, Reducer<CombinationKey, IntWritable, Text, Text>.Context context)
  91. throws IOException, InterruptedException {
  92. //先清除上一个组的数据
  93. sb.delete(0, sb.length());
  94. for (IntWritable val : values){
  95. sb.append(val.get() + ",");
  96. }
  97. //取出最后一个逗号
  98. if (sb.length() > 0){
  99. sb.deleteCharAt(sb.length() - 1);
  100. }
  101. //设置写出去的value
  102. score.set(sb.toString());
  103. //将联合Key的第一个元素作为新的key,将score作为value写出去
  104. context.write(key.getFirstKey(), score);
  105. System.out.println("---------------------进入reduce()函数---------------------");
  106. System.out.println("---------------------{[" + key.getFirstKey()+"," + key.getSecondKey() + "],[" +score +"]}");
  107. System.out.println("---------------------结束reduce()函数---------------------");
  108. }
  109. }
  110. }

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

  1. 15/01/19 15:32:29 INFO input.FileInputFormat: Total input paths to process : 1
  2. 15/01/19 15:32:29 WARN snappy.LoadSnappy: Snappy native library not loaded
  3. 15/01/19 15:32:30 INFO mapred.JobClient: Running job: job_local_0001
  4. 15/01/19 15:32:30 INFO mapred.Task:  Using ResourceCalculatorPlugin : null
  5. 15/01/19 15:32:30 INFO mapred.MapTask: io.sort.mb = 100
  6. 15/01/19 15:32:30 INFO mapred.MapTask: data buffer = 79691776/99614720
  7. 15/01/19 15:32:30 INFO mapred.MapTask: record buffer = 262144/327680
  8. ---------------------进入map()函数---------------------
  9. ---------------------进入自定义分区---------------------
  10. ---------------------结束自定义分区---------------------
  11. ---------------------结束map()函数---------------------
  12. ---------------------进入map()函数---------------------
  13. ---------------------进入自定义分区---------------------
  14. ---------------------结束自定义分区---------------------
  15. ---------------------结束map()函数---------------------
  16. ---------------------进入map()函数---------------------
  17. ---------------------进入自定义分区---------------------
  18. ---------------------结束自定义分区---------------------
  19. ---------------------结束map()函数---------------------
  20. ---------------------进入map()函数---------------------
  21. ---------------------进入自定义分区---------------------
  22. ---------------------结束自定义分区---------------------
  23. ---------------------结束map()函数---------------------
  24. ---------------------进入map()函数---------------------
  25. ---------------------进入自定义分区---------------------
  26. ---------------------结束自定义分区---------------------
  27. ---------------------结束map()函数---------------------
  28. ---------------------进入map()函数---------------------
  29. ---------------------进入自定义分区---------------------
  30. ---------------------结束自定义分区---------------------
  31. ---------------------结束map()函数---------------------
  32. ---------------------进入map()函数---------------------
  33. ---------------------进入自定义分区---------------------
  34. ---------------------结束自定义分区---------------------
  35. ---------------------结束map()函数---------------------
  36. ---------------------进入map()函数---------------------
  37. ---------------------进入自定义分区---------------------
  38. ---------------------结束自定义分区---------------------
  39. ---------------------结束map()函数---------------------
  40. 15/01/19 15:32:30 INFO mapred.MapTask: Starting flush of map output
  41. ------------------进入二次排序-------------------
  42. ------------------结束二次排序-------------------
  43. ------------------进入二次排序-------------------
  44. ------------------结束二次排序-------------------
  45. ------------------进入二次排序-------------------
  46. ------------------结束二次排序-------------------
  47. ------------------进入二次排序-------------------
  48. ------------------结束二次排序-------------------
  49. ------------------进入二次排序-------------------
  50. ------------------结束二次排序-------------------
  51. ------------------进入二次排序-------------------
  52. ------------------结束二次排序-------------------
  53. ------------------进入二次排序-------------------
  54. ------------------结束二次排序-------------------
  55. ------------------进入二次排序-------------------
  56. ------------------结束二次排序-------------------
  57. ------------------进入二次排序-------------------
  58. ------------------结束二次排序-------------------
  59. ------------------进入二次排序-------------------
  60. ------------------结束二次排序-------------------
  61. ------------------进入二次排序-------------------
  62. ------------------结束二次排序-------------------
  63. ------------------进入二次排序-------------------
  64. ------------------结束二次排序-------------------
  65. 15/01/19 15:32:30 INFO mapred.MapTask: Finished spill 0
  66. 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
  67. 15/01/19 15:32:30 INFO mapred.LocalJobRunner:
  68. 15/01/19 15:32:30 INFO mapred.Task: Task ‘attempt_local_0001_m_000000_0‘ done.
  69. 15/01/19 15:32:30 INFO mapred.Task:  Using ResourceCalculatorPlugin : null
  70. 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

  1. 15/01/19 15:32:30 INFO mapred.Merger: Merging 1 sorted segments
  2. 15/01/19 15:32:30 INFO mapred.Merger: Down to the last merge-pass, with 1 segments left of total size: 130 bytes
  3. 15/01/19 15:32:30 INFO mapred.LocalJobRunner:
  4. ---------------------进入自定义分组---------------------
  5. ---------------------分组结果:0
  6. ---------------------结束自定义分组---------------------
  7. ---------------------进入自定义分组---------------------
  8. ---------------------分组结果:-1
  9. ---------------------结束自定义分组---------------------
  10. ---------------------进入reduce()函数---------------------
  11. ---------------------{[sort1,2],[1,2]}
  12. ---------------------结束reduce()函数---------------------
  13. ---------------------进入自定义分组---------------------
  14. ---------------------分组结果:0
  15. ---------------------结束自定义分组---------------------
  16. ---------------------进入自定义分组---------------------
  17. ---------------------分组结果:0
  18. ---------------------结束自定义分组---------------------
  19. ---------------------进入自定义分组---------------------
  20. ---------------------分组结果:-4
  21. ---------------------结束自定义分组---------------------
  22. ---------------------进入reduce()函数---------------------
  23. ---------------------{[sort2,88],[3,54,88]}
  24. ---------------------结束reduce()函数---------------------
  25. ---------------------进入自定义分组---------------------
  26. ---------------------分组结果:0
  27. ---------------------结束自定义分组---------------------
  28. ---------------------进入自定义分组---------------------
  29. ---------------------分组结果:0
  30. ---------------------结束自定义分组---------------------
  31. ---------------------进入reduce()函数---------------------
  32. ---------------------{[sort6,888],[22,58,888]}
  33. ---------------------结束reduce()函数---------------------
  34. 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
  35. 15/01/19 15:32:30 INFO mapred.LocalJobRunner:
  36. 15/01/19 15:32:30 INFO mapred.Task: Task attempt_local_0001_r_000000_0 is allowed to commit now
  37. 15/01/19 15:32:30 INFO output.FileOutputCommitter: Saved output of task ‘attempt_local_0001_r_000000_0‘ to hdfs://liaozhongmin:9000/out
  38. 15/01/19 15:32:30 INFO mapred.LocalJobRunner: reduce > reduce
  39. 15/01/19 15:32:30 INFO mapred.Task: Task ‘attempt_local_0001_r_000000_0‘ done.
  40. 15/01/19 15:32:31 INFO mapred.JobClient:  map 100% reduce 100%
  41. 15/01/19 15:32:31 INFO mapred.JobClient: Job complete: job_local_0001
  42. 15/01/19 15:32:31 INFO mapred.JobClient: Counters: 19
  43. 15/01/19 15:32:31 INFO mapred.JobClient:   File Output Format Counters
  44. 15/01/19 15:32:31 INFO mapred.JobClient:     Bytes Written=40
  45. 15/01/19 15:32:31 INFO mapred.JobClient:   FileSystemCounters
  46. 15/01/19 15:32:31 INFO mapred.JobClient:     FILE_BYTES_READ=446
  47. 15/01/19 15:32:31 INFO mapred.JobClient:     HDFS_BYTES_READ=140
  48. 15/01/19 15:32:31 INFO mapred.JobClient:     FILE_BYTES_WRITTEN=131394
  49. 15/01/19 15:32:31 INFO mapred.JobClient:     HDFS_BYTES_WRITTEN=40
  50. 15/01/19 15:32:31 INFO mapred.JobClient:   File Input Format Counters
  51. 15/01/19 15:32:31 INFO mapred.JobClient:     Bytes Read=70
  52. 15/01/19 15:32:31 INFO mapred.JobClient:   Map-Reduce Framework
  53. 15/01/19 15:32:31 INFO mapred.JobClient:     Reduce input groups=3
  54. 15/01/19 15:32:31 INFO mapred.JobClient:     Map output materialized bytes=134
  55. 15/01/19 15:32:31 INFO mapred.JobClient:     Combine output records=0
  56. 15/01/19 15:32:31 INFO mapred.JobClient:     Map input records=8
  57. 15/01/19 15:32:31 INFO mapred.JobClient:     Reduce shuffle bytes=0
  58. 15/01/19 15:32:31 INFO mapred.JobClient:     Reduce output records=3
  59. 15/01/19 15:32:31 INFO mapred.JobClient:     Spilled Records=16
  60. 15/01/19 15:32:31 INFO mapred.JobClient:     Map output bytes=112
  61. 15/01/19 15:32:31 INFO mapred.JobClient:     Total committed heap usage (bytes)=391118848
  62. 15/01/19 15:32:31 INFO mapred.JobClient:     Combine input records=0
  63. 15/01/19 15:32:31 INFO mapred.JobClient:     Map output records=8
  64. 15/01/19 15:32:31 INFO mapred.JobClient:     SPLIT_RAW_BYTES=99
  65. 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。

时间: 2024-10-10 23:11:44

Hadoop二次排序及MapReduce处理流程实例详解的相关文章

MapReduce工作原理图文详解 (炼数成金)

MapReduce工作原理图文详解 1.Map-Reduce 工作机制剖析图: 1.首先,第一步,我们先编写好我们的map-reduce程序,然后在一个client 节点里面进行提交.(一般来说可以在Hadoop集群里里面的任意一个节点进行,只要该节点装了Hadoop并且连入了Hadoop集群) 2.job client 在收到这个请求以后呢,会找到JobTracker并且请求一个作业ID(Job ID).(根据我们的核心配置文件,可以很轻易的找到JobTracker) 3.通过HDFS 系统把

Spring MVC 3.0.5+Spring 3.0.5+MyBatis3.0.4全注解实例详解(二)

在上一篇文章中我详细的介绍了如何搭建maven环境以及生成一个maven骨架的web项目,那么这章中我将讲述Spring MVC的流程结构,Spring MVC与Struts2的区别,以及例子中的一些配置文件的分析. 一.Spring MVC 3.0介绍 Spring MVC是一个典型的MVC框架,是Spring内置的Web框架,可以作为应用项目的展示层,继Spring 2.0对Spring MVC进行重大升级后,Spring 2.5又为Spring MVC引入了注解驱动功能,再到3.0时代,全

hadoop最新发行稳定版:DKHadoop版本选择详解

hadoop最新发行稳定版:DKHadoop版本选择详解 Hadoop对于从事互联网工作的朋友来说已经非常熟悉了,相信在我们身边有很多人正在转行从事hadoop开发的工作,理所当然也会有很多hadoop入门新手.Hadoop开发太过底层,技术难度远比我们想象的要大,对新手而言选择一个合适的hadoop版本就意味着上手更快! Hadoop是由Apache基金会所开发的分布式系统基础架构,它最核心的设计就是HDFS和MapReduce.HDFS为海量的数据提供了存储,则MapReduce为海量的数据

Android Touch系统简介(二):实例详解onInterceptTouchEvent与onTouchEvent的调用过程

上一篇文章主要讲述了Android的TouchEvent的分发过程,其中有两个重要的函数:onInterceptTouchEvent和onTouchEvent,这两个函数可被重装以完成特定的逻辑.onInterceptTouchEvent的定义为于ViewGroup中,默认返回值为false,表示不拦截TouchEvent.onTouchEvent的定义位于View中,当ViewGroup要调用onTouchEvent时,会利用super.onTouchEvent.ViewGroup调用onTo

onLayout源码 流程 思路详解(ANDROID自定义视图)

简介: 在自定义view的时候,其实很简单,只需要知道3步骤: 1.测量--onMeasure():决定View的大小 2.布局--onLayout():决定View在ViewGroup中的位置 3.绘制--onDraw():如何绘制这个View. 而第3步的onDraw系统已经封装的很好了,基本不用我们来操心,只需要专注到1,2两个步骤就中好了. 第一步的测量,可以参考我之前的文章:(ANDROID自定义视图--onMeasure流程,MeasureSpec详解) 而这篇文章就来谈谈第二步:"

实例详解Django的 select_related 和 prefetch_related 函数对 QuerySet 查询的优化(二)

这是本系列的第二篇,内容是 prefetch_related() 函数的用途.实现途径.以及使用方法. 本系列的第一篇在这里 3. prefetch_related() 对于多对多字段(ManyToManyField)和一对多字段,可以使用prefetch_related()来进行优化.或许你会说,没有一个叫OneToManyField的东西啊.实际上 ,ForeignKey就是一个多对一的字段,而被ForeignKey关联的字段就是一对多字段了. 作用和方法 prefetch_related(

【转】ANDROID自定义视图——onMeasure,MeasureSpec源码 流程 思路详解

原文地址:http://blog.csdn.net/a396901990/article/details/36475213 简介: 在自定义view的时候,其实很简单,只需要知道3步骤: 1.测量——onMeasure():决定View的大小 2.布局——onLayout():决定View在ViewGroup中的位置 3.绘制——onDraw():如何绘制这个View. 而第3步的onDraw系统已经封装的很好了,基本不用我们来操心,只需要专注到1,2两个步骤就中好了. 而这篇文章就来谈谈第一步

Hadoop.2.x_高级应用_二次排序及MapReduce端join

一.对于二次排序案例部分理解 1. 分析需求(首先对第一个字段排序,然后在对第二个字段排序) 杂乱的原始数据 排序完成的数据 a,1 a,1 b,1 a,2 a,2 [排序] a,100 b,6 ===> b,-3 c,2 b,-2 b,-2 b,1 a,100 b,6 b,-3 c,-7 c,-7 c,2 2. 分析[MapRedice过程] 1> 分析数据传入通过input()传入map() 2> map()对数据进行层层过滤,以达到我们想要的数据源, 3> 过滤方法中可添加自

Hadoop二次排序的其他写法

二次排序原理 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RecordReader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<LongWrit