hadoop —— Reducer全排序

目录　　　　　　

一、关于Reducer全排序

　　1.1、　　什么叫全排序

　　1.2、　　分区的标准是什么

二、全排序的三种方式

　　2.1、　　一个Reducer

　　2.2、　　自定义分区函数

　　2.3、　　采样

　　一、关于Reducer全排序　　

1.1、什么叫全排序？

在所有的分区（Reducer）中，KEY都是有序的：

• 正确举例：如Reducer分区1中的KEY是1、3、4，分区2中的key是5、8、9
• 错误举例：如Reducer分区1中的KEY是1、3、4，分区2中的key是2、7、9

1.2、数据分区的标准是什么？

默认的分区方式是根据mapper后的key的hash值，除以Reducer的分区数量，取其余数判定；例：

• 某key的hash值是999，此时有3个分区（Reducer），则999 % 3 = 0；则该key和其对应value会分在第一个区（同理，当余数为1，2时会分在对应的另外两个区）。

注意：若key的类型是Text类（或IntWritable等）的，则计算的是Text类型的key的hash值，而非通过Text获取到的String（或int等）类型的hash值。

也可自定义分区的判定方式，见下2.2、自定义分区函数

　　二、全排序的三种方式　　

• 一个Reduce
• 自定义分区函数
• 采样

2.1、一个Reduce

只有一个Reduce分区，自然是全排序效果

2.2、自定义分区函数

1. 创建一个继承Partitioner的类，如：Partition
2. 重写其”getPartition“方法，作为判断分区的依据
3. 在main的job中将其加入：job.setPartitionerClass(Partition.class);

以随机分区为例，伪代码如下：

 1 public class Partition extends Partitioner <Text,IntWritable>{
 2
 3     @Override
 4     public int getPartition(Text text, IntWritable intWritable, int numPartitions) {
 5         Random r = new Random();
 6         //根据分区的数量（numPartitions），获取一个随机值返回，返回的值作为Key判断分区的依据
 7         int i = r.nextInt(numPartitions);
 8         return i;
 9     }
10 }
11
12 public class RandomAPP {
13     public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
14         ......
15
16         //放判断放入分区的方式(随机放入)
17         job.setPartitionerClass(Partition.class);
18
19         ......
20
21         //等待执行MapperReducer
22         job.waitForCompletion(true)；
23     }
24 }

2.3、采样：TotalOrderPartition

• RandomSampler：随机采样 ，性能差，适合乱序数据
• IntervalSampler：间隔采样 ，性能较好，适合有序数据
• SplitSampler：切片采样 ，性能较好，适合有序数据

以随机采样为例，伪代码如下：

注:以下需要放在App中设置配置文件的后面

 1         //在App中指定分区函数类
 2         job.setPartitionerClass(TotalOrderPartition.class);
 3
 4         //设置文件的写入路径
 5         TotalOrderPartition.setPartitionFile(job.getConfiguration(),new Path("E:/par.dat"));
 6
 7         /**
 8          * 初始化采样器
 9          * RandomSampler    采用随机采样的方式
10          * freq             每个Key被选中的概率     freq x key > 分区数
11          * numSamples       需要的样本数           numSamples  > 分区数
12          * maxSplitsSampled 文件最大切片数         maxSplitsSampled > 当前切片数
13          */
14         InputSampler.RandomSampler = new InputSampler.RandomSampler(freq, numsamples,maxsplitsSampled );
15
16         //写入采样数据
17         InputSampler.writePartitionFile(job,sampler);

原文地址：https://www.cnblogs.com/yiwanfan/p/9098366.html