用一个MapReduce job实现去重，多目录输出功能

总结之前工作中遇到的一个问题。

背景：

运维用scribe从apache服务器推送过来的日志有重复记录，所以这边的ETL处理要去重，还有个需求是要按业务类型多目录输出，方便挂分区，后面的使用。

这两个需求单独处理都没有问题，但要在一个mapreduce里完成，需要一点技巧。

1、map输入数据，经过一系列处理，输出时：

 if(ttype.equals("other")){
        	file = (result.toString().hashCode() & 0x7FFFFFFF)%400;
        }else if(ttype.equals("client")){
        	file = (result.toString().hashCode() & 0x7FFFFFFF)%260;
        }else{
        	file = (result.toString().hashCode()& 0x7FFFFFFF)%60;
        }
        tp = new TextPair(ttype+"_"+file, result.toString());

        context.write(tp, valuet);

valuet是空的，什么都没有。

我这里有三个类型，other，client，wap，分别代表日志来源平台，要按他们分目录输出。

result就是整条记录。file得到的是最终输出文件名，hash，位操作，取模是为了输出均衡。

map的输出结构<key,value> =（ttype+"_"+file,result.toString()）

这样做的目的是：保证相同的记录得到相同的key，同时还要保存类型。partition要按textPair的left，也就是这个key，

保证了后面要写到同一个输出文件的所有记录都到同一个reduce里去，一个reduce可以写多个输出文件，但是一个输出文件不能来自多个reduce，原因很明了。

这样的话大概400+260+60=720个输出文件，每个文件数据量大概差不多，job的reduce数我这里设置的240，这个数连同取模400,260,60都是根据我的数据量来定的，来尽量避免reduce的数据倾斜。

2、reduce方法去重：

 public void reduce(TextPair key, Iterable<Text> values, Context context) throws IOException, InterruptedException
    {

        rcfileCols = getRcfileCols(key.getSecond().toString().split("\001"));
        context.write(key.getFirst(), rcfileCols);

    }

不用迭代，对相同的key组，只输出一次。注意这里job用到的比较器，一定不能是FirstComparator，而是整个textpair对的比较。（先比较left，再比较right）

我的程序里输出文件格式是rcfile。

3、多目录输出：

 job.setOutputFormatClass(WapApacheMutiOutputFormat.class);

public class WapApacheMutiOutputFormat extends RCFileMultipleOutputFormat<Text, BytesRefArrayWritable> {
	Random r = new Random();
	protected String generateFileNameForKeyValue(Text key, BytesRefArrayWritable value,
			Configuration conf) {

		    String typedir = key.toString().split("_")[0];

			return typedir+"/"+key.toString();

	}
}

这里的RCFileMultipleOutputFormat是自己继承自FileOutputFormat 自己写的，主要实现了recordWriter。

最终输出去重的，分目录的数据文件。

理解的关键主要是partition key的设计，reduce的原理。

用一个MapReduce job实现去重，多目录输出功能,布布扣,bubuko.com