如何使用Hadoop的Partitioner

如何使用Hadoop的Partitioner

博客分类：
• Hadoop

hadooppartition

Hadoop里面的MapReduce编程模型，非常灵活，大部分环节我们都可以重写它的API，来灵活定制我们自己的一些特殊需求。 



今天散仙要说的这个分区函数Partitioner，也是一样如此，下面我们先来看下Partitioner的作用： 

对map端输出的数据key作一个散列，使数据能够均匀分布在各个reduce上进行后续操作，避免产生热点区。 

Hadoop默认使用的分区函数是Hash Partitioner，源码如下： 

1. /**
2. * Licensed to the Apache Software Foundation (ASF) under one
3. * or more contributor license agreements.  See the NOTICE file
4. * distributed with this work for additional information
5. * regarding copyright ownership.  The ASF licenses this file
6. * to you under the Apache License, Version 2.0 (the
7. * "License"); you may not use this file except in compliance
8. * with the License.  You may obtain a copy of the License at
9. *
10. *     http://www.apache.org/licenses/LICENSE-2.0
11. *
12. * Unless required by applicable law or agreed to in writing, software
13. * distributed under the License is distributed on an "AS IS" BASIS,
14. * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
15. * See the License for the specific language governing permissions and
16. * limitations under the License.
17. */
18. package org.apache.hadoop.mapreduce.lib.partition;
19. import org.apache.hadoop.mapreduce.Partitioner;
20. /** Partition keys by their {@link Object#hashCode()}. */
21. public class HashPartitioner<K, V> extends Partitioner<K, V> {
22. /** Use {@link Object#hashCode()} to partition. */
23. public int getPartition(K key, V value,
24. int numReduceTasks) {
25. //默认使用key的hash值与上int的最大值，避免出现数据溢出 的情况
26. return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;
27. }
28. }

大部分情况下，我们都会使用默认的分区函数，但有时我们又有一些，特殊的需求，而需要定制Partition来完成我们的业务，案例如下： 

对如下数据，按字符串的长度分区，长度为1的放在一个，2的一个，3的各一个。 

这时候，我们使用默认的分区函数，就不行了，所以需要我们定制自己的Partition，首先分析下，我们需要3个分区输出，所以在设置reduce的个数时，一定要设置为3，其次在partition里，进行分区时，要根据长度具体分区，而不是根据字符串的hash码来分区。核心代码如下：

1. /**
2. * Partitioner
3. *
4. *
5. * */
6. public static class PPartition extends Partitioner<Text, Text>{
7. @Override
8. public int getPartition(Text arg0, Text arg1, int arg2) {
9. /**
10. * 自定义分区，实现长度不同的字符串，分到不同的reduce里面
11. *
12. * 现在只有3个长度的字符串，所以可以把reduce的个数设置为3
13. * 有几个分区，就设置为几
14. * */
15. String key=arg0.toString();
16. ){
17. %arg2;
18. ){
19. %arg2;
20. ){
21. %arg2;
22. }
23. ;
24. }
25. }

全部代码如下：

1. package com.partition.test;
2. import java.io.IOException;
3. import org.apache.hadoop.fs.FileSystem;
4. import org.apache.hadoop.fs.Path;
5. import org.apache.hadoop.io.LongWritable;
6. import org.apache.hadoop.io.Text;
7. import org.apache.hadoop.mapred.JobConf;
8. import org.apache.hadoop.mapreduce.Job;
9. import org.apache.hadoop.mapreduce.Mapper;
10. import org.apache.hadoop.mapreduce.Partitioner;
11. import org.apache.hadoop.mapreduce.Reducer;
12. import org.apache.hadoop.mapreduce.lib.db.DBConfiguration;
13. import org.apache.hadoop.mapreduce.lib.db.DBInputFormat;
14. import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
15. import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
16. import org.apache.hadoop.mapreduce.lib.output.MultipleOutputs;
17. import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
18. import com.qin.operadb.PersonRecoder;
19. import com.qin.operadb.ReadMapDB;
20. /**
21. * @author qindongliang
22. *
23. * 大数据交流群：376932160
24. *
25. *
26. * **/
27. public class MyTestPartition {
28. /**
29. * map任务
30. *
31. * */
32. public static class PMapper extends Mapper<LongWritable, Text, Text, Text>{
33. @Override
34. protected void map(LongWritable key, Text value,Context context)
35. throws IOException, InterruptedException {
36. // System.out.println("进map了");
37. //mos.write(namedOutput, key, value);
38. String ss[]=value.toString().split(";");
39. ]), new Text(ss[1]));
40. }
41. }
42. /**
43. * Partitioner
44. *
45. *
46. * */
47. public static class PPartition extends Partitioner<Text, Text>{
48. @Override
49. public int getPartition(Text arg0, Text arg1, int arg2) {
50. /**
51. * 自定义分区，实现长度不同的字符串，分到不同的reduce里面
52. *
53. * 现在只有3个长度的字符串，所以可以把reduce的个数设置为3
54. * 有几个分区，就设置为几
55. * */
56. String key=arg0.toString();
57. ){
58. %arg2;
59. ){
60. %arg2;
61. ){
62. %arg2;
63. }
64. ;
65. }
66. }
67. /***
68. * Reduce任务
69. *
70. * **/
71. public static class PReduce extends Reducer<Text, Text, Text, Text>{
72. @Override
73. protected void reduce(Text arg0, Iterable<Text> arg1, Context arg2)
74. throws IOException, InterruptedException {
75. ];
76. System.out.println("key==> "+key);
77. for(Text t:arg1){
78. //System.out.println("Reduce:  "+arg0.toString()+"   "+t.toString());
79. arg2.write(arg0, t);
80. }
81. }
82. }
83. public static void main(String[] args) throws Exception{
84. JobConf conf=new JobConf(ReadMapDB.class);
85. //Configuration conf=new Configuration();
86. conf.set("mapred.job.tracker","192.168.75.130:9001");
87. //读取person中的数据字段
88. conf.setJar("tt.jar");
89. //注意这行代码放在最前面，进行初始化，否则会报
90. /**Job任务**/
91. Job job=new Job(conf, "testpartion");
92. job.setJarByClass(MyTestPartition.class);
93. System.out.println("模式：  "+conf.get("mapred.job.tracker"));;
94. // job.setCombinerClass(PCombine.class);
95. job.setPartitionerClass(PPartition.class);
96. );//设置为3
97. job.setMapperClass(PMapper.class);
98. // MultipleOutputs.addNamedOutput(job, "hebei", TextOutputFormat.class, Text.class, Text.class);
99. // MultipleOutputs.addNamedOutput(job, "henan", TextOutputFormat.class, Text.class, Text.class);
100. job.setReducerClass(PReduce.class);
101. job.setOutputKeyClass(Text.class);
102. job.setOutputValueClass(Text.class);
103. String path="hdfs://192.168.75.130:9000/root/outputdb";
104. FileSystem fs=FileSystem.get(conf);
105. Path p=new Path(path);
106. if(fs.exists(p)){
107. fs.delete(p, true);
108. System.out.println("输出路径存在，已删除！");
109. }
110. FileInputFormat.setInputPaths(job, "hdfs://192.168.75.130:9000/root/input");
111. FileOutputFormat.setOutputPath(job,p );
112. : 1);
113. }
114. }

运行情况如下：

1. 输出路径存在，已删除！
2. ) | Use GenericOptionsParser for parsing the arguments. Applications should implement Tool for the same.
3. ) | Total input paths to process : 1
4. ) | Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
5. ) | Snappy native library not loaded
6. ) | Running job: job_201404101853_0005
7. ) |  map 0% reduce 0%
8. ) |  map 100% reduce 0%
9. ) |  map 100% reduce 11%
10. ) |  map 100% reduce 22%
11. ) |  map 100% reduce 55%
12. ) |  map 100% reduce 100%
13. ) | Job complete: job_201404101853_0005
14. ) | Counters: 29
15. ) |   Job Counters
16. ) |     Launched reduce tasks=3
17. ) |     SLOTS_MILLIS_MAPS=7422
18. ) |     Total time spent by all reduces waiting after reserving slots (ms)=0
19. ) |     Total time spent by all maps waiting after reserving slots (ms)=0
20. ) |     Launched map tasks=1
21. ) |     Data-local map tasks=1
22. ) |     SLOTS_MILLIS_REDUCES=30036
23. ) |   File Output Format Counters
24. ) |     Bytes Written=61
25. ) |   FileSystemCounters
26. ) |     FILE_BYTES_READ=93
27. ) |     HDFS_BYTES_READ=179
28. ) |     FILE_BYTES_WRITTEN=218396
29. ) |     HDFS_BYTES_WRITTEN=61
30. ) |   File Input Format Counters
31. ) |     Bytes Read=68
32. ) |   Map-Reduce Framework
33. ) |     Map output materialized bytes=93
34. ) |     Map input records=7
35. ) |     Reduce shuffle bytes=93
36. ) |     Spilled Records=14
37. ) |     Map output bytes=61
38. ) |     Total committed heap usage (bytes)=207491072
39. ) |     CPU time spent (ms)=2650
40. ) |     Combine input records=0
41. ) |     SPLIT_RAW_BYTES=111
42. ) |     Reduce input records=7
43. ) |     Reduce input groups=7
44. ) |     Combine output records=0
45. ) |     Physical memory (bytes) snapshot=422174720
46. ) |     Reduce output records=7
47. ) |     Virtual memory (bytes) snapshot=2935713792
48. ) |     Map output records=7

运行后的结果文件如下： 

 



其中，part-r-000000里面的数据

其中，part-r-000001里面的数据

其中，part-r-000002里面的数据

至此，我们使用自定义的分区策略完美的实现了，数据分区了。 





总结：引用一段话 



   (Partition)分区出现的必要性，如何使用Hadoop产生一个全局排序的文件？最简单的方法就是使用一个分区，但是该方法在处理大型文件时效率极低，因为一台机器必须处理所有输出文件，从而完全丧失了MapReduce所提供的并行架构的优势。事实上我们可以这样做，首先创建一系列排好序的文件；其次，串联这些文件（类似于归并排序）；最后得到一个全局有序的文件。主要的思路是使用一个partitioner来描述全局排序的输出。比方说我们有1000个1-10000的数据，跑10个ruduce任务， 如果我们运行进行partition的时候，能够将在1-1000中数据的分配到第一个reduce中，1001-2000的数据分配到第二个reduce中，以此类推。即第n个reduce所分配到的数据全部大于第n-1个reduce中的数据。这样，每个reduce出来之后都是有序的了，我们只要cat所有的输出文件，变成一个大的文件，就都是有序的了 



基本思路就是这样，但是现在有一个问题，就是数据的区间如何划分，在数据量大，还有我们并不清楚数据分布的情况下。一个比较简单的方法就是采样，假如有一亿的数据，我们可以对数据进行采样，如取10000个数据采样，然后对采样数据分区间。在Hadoop中，patition我们可以用TotalOrderPartitioner替换默认的分区。然后将采样的结果传给他，就可以实现我们想要的分区。在采样时，我们可以使用hadoop的几种采样工具，RandomSampler,InputSampler,IntervalSampler。 



       这样，我们就可以对利用分布式文件系统进行大数据量的排序了，我们也可以重写Partitioner类中的compare函数，来定义比较的规则，从而可以实现字符串或其他非数字类型的排序，也可以实现二次排序乃至多次排序。