Hadoop中Partition的定制

1.解析Partition

Map的结果，会通过partition分发到Reducer上，Reducer做完Reduce操作后，通过OutputFormat，进行输出，下面我们就来分析参与这个过程的类。

Mapper的结果，可能送到Combiner做合并，Combiner在系统中并没有自己的基类，而是用Reducer作为Combiner的基类，他们对外的功能是一样的，只是使用的位置和使用时的上下文不太一样而已。Mapper最终处理的键值对<key, value>，是需要送到Reducer去合并的，合并的时候，有相同key的键/值对会送到同一个Reducer那。哪个key到哪个Reducer的分配过程，是由Partitioner规定的。它只有一个方法，

[java] view
plaincopy

1. getPartition(Text key, Text value, int numPartitions)

输入是Map的结果对<key, value>和Reducer的数目，输出则是分配的Reducer（整数编号）。就是指定Mappr输出的键值对到哪一个reducer上去。系统缺省的Partitioner是HashPartitioner，它以key的Hash值对Reducer的数目取模，得到对应的Reducer。这样保证如果有相同的key值，肯定被分配到同一个reducre上。如果有N个reducer，编号就为0,1,2,3……(N-1)。

Reducer是所有用户定制Reducer类的基类，和Mapper类似，它也有setup，reduce，cleanup和run方法，其中setup和cleanup含义和Mapper相同，reduce是真正合并Mapper结果的地方，它的输入是key和这个key对应的所有value的一个迭代器，同时还包括Reducer的上下文。系统中定义了两个非常简单的Reducer，IntSumReducer和LongSumReducer，分别用于对整形/长整型的value求和。

Reduce的结果，通过Reducer.Context的方法collect输出到文件中，和输入类似，Hadoop引入了OutputFormat。OutputFormat依赖两个辅助接口：RecordWriter和OutputCommitter，来处理输出。RecordWriter提供了write方法，用于输出<key, value>和close方法，用于关闭对应的输出。OutputCommitter提供了一系列方法，用户通过实现这些方法，可以定制OutputFormat生存期某些阶段需要的特殊操作。我们在TaskInputOutputContext中讨论过这些方法（明显，TaskInputOutputContext是OutputFormat和Reducer间的桥梁）。OutputFormat和RecordWriter分别对应着InputFormat和RecordReader，系统提供了空输出NullOutputFormat（什么结果都不输出，NullOutputFormat.RecordWriter只是示例，系统中没有定义），LazyOutputFormat（没在类图中出现，不分析），FilterOutputFormat（不分析）和基于文件FileOutputFormat的SequenceFileOutputFormat和TextOutputFormat输出。

基于文件的输出FileOutputFormat利用了一些配置项配合工作，包括:

mapred.output.compress：是否压缩；

mapred.output.compression.codec：压缩方法；

mapred.output.dir：输出路径；

mapred.work.output.dir：输出工作路径。

FileOutputFormat还依赖于FileOutputCommitter，通过FileOutputCommitter提供一些和Job，Task相关的临时文件管理功能。如FileOutputCommitter的setupJob，会在输出路径下创建一个名为_temporary的临时目录，cleanupJob则会删除这个目录。

SequenceFileOutputFormat输出和TextOutputFormat输出分别对应输入的SequenceFileInputFormat和TextInputFormat。

2.代码实例

[java] view
plaincopy

1. package org.apache.hadoop.examples;
2. import java.io.IOException;
3. import java.util.*;
4. import org.apache.hadoop.fs.Path;
5. import org.apache.hadoop.conf.*;
6. import org.apache.hadoop.io.*;
7. import org.apache.hadoop.mapred.*;
8. import org.apache.hadoop.util.*;
9. /**
10. * 输入文本，以tab间隔
11. * kaka    1       28
12. * hua     0       26
13. * chao    1
14. * tao     1       22
15. * mao     0       29      22
16. * */
17. //Partitioner函数的使用
18. public class MyPartitioner {
19. // Map函数
20. public static class MyMap extends MapReduceBase implements
21. Mapper<LongWritable, Text, Text, Text> {
22. public void map(LongWritable key, Text value,
23. OutputCollector<Text, Text> output, Reporter reporter)
24. throws IOException {
25. String[] arr_value = value.toString().split("\t");
26. //测试输出
27. //          for(int i=0;i<arr_value.length;i++)
28. //          {
29. //              System.out.print(arr_value[i]+"\t");
30. //          }
31. //          System.out.print(arr_value.length);
32. //          System.out.println();
33. Text word1 = new Text();
34. Text word2 = new Text();
35. if (arr_value.length > 3) {
36. word1.set("long");
37. word2.set(value);
38. } else if (arr_value.length < 3) {
39. word1.set("short");
40. word2.set(value);
41. } else {
42. word1.set("right");
43. word2.set(value);
44. }
45. output.collect(word1, word2);
46. }
47. }
48. public static class MyReduce extends MapReduceBase implements
49. Reducer<Text, Text, Text, Text> {
50. public void reduce(Text key, Iterator<Text> values,
51. OutputCollector<Text, Text> output, Reporter reporter)
52. throws IOException {
53. int sum = 0;
54. System.out.println(key);
55. while (values.hasNext()) {
56. output.collect(key, new Text(values.next().getBytes()));
57. }
58. }
59. }
60. // 接口Partitioner继承JobConfigurable，所以这里有两个override方法
61. public static class MyPartitionerPar implements Partitioner<Text, Text> {
62. /**
63. * getPartition()方法的
64. * 输入参数：键/值对<key,value>与reducer数量numPartitions
65. * 输出参数：分配的Reducer编号，这里是result
66. * */
67. @Override
68. public int getPartition(Text key, Text value, int numPartitions) {
69. // TODO Auto-generated method stub
70. int result = 0;
71. System.out.println("numPartitions--" + numPartitions);
72. if (key.toString().equals("long")) {
73. result = 0 % numPartitions;
74. } else if (key.toString().equals("short")) {
75. result = 1 % numPartitions;
76. } else if (key.toString().equals("right")) {
77. result = 2 % numPartitions;
78. }
79. System.out.println("result--" + result);
80. return result;
81. }
82. @Override
83. public void configure(JobConf arg0)
84. {
85. // TODO Auto-generated method stub
86. }
87. }
88. //输入参数：/home/hadoop/input/PartitionerExample /home/hadoop/output/Partitioner
89. public static void main(String[] args) throws Exception {
90. JobConf conf = new JobConf(MyPartitioner.class);
91. conf.setJobName("MyPartitioner");
92. //控制reducer数量，因为要分3个区，所以这里设定了3个reducer
93. conf.setNumReduceTasks(3);
94. conf.setMapOutputKeyClass(Text.class);
95. conf.setMapOutputValueClass(Text.class);
96. //设定分区类
97. conf.setPartitionerClass(MyPartitionerPar.class);
98. conf.setOutputKeyClass(Text.class);
99. conf.setOutputValueClass(Text.class);
100. //设定mapper和reducer类
101. conf.setMapperClass(MyMap.class);
102. conf.setReducerClass(MyReduce.class);
103. conf.setInputFormat(TextInputFormat.class);
104. conf.setOutputFormat(TextOutputFormat.class);
105. FileInputFormat.setInputPaths(conf, new Path(args[0]));
106. FileOutputFormat.setOutputPath(conf, new Path(args[1]));
107. JobClient.runJob(conf);
108. }
109. }