Hadoop MapReduce 二次排序原理及其应用

关于二次排序主要涉及到这么几个东西：

在0.20.0 以前使用的是

setPartitionerClass

setOutputkeyComparatorClass

setOutputValueGroupingComparator

在0.20.0以后使用是

job.setPartitionerClass(Partitioner p);

job.setSortComparatorClass(RawComparator c);

job.setGroupingComparatorClass(RawComparator c);

下面的例子里面只用到了 setGroupingComparatorClass

http://blog.csdn.net/heyutao007/article/details/5890103 

mr自带的例子中的源码SecondarySort，我重新写了一下，基本没变。 
这个例子中定义的map和reduce如下，关键是它对输入输出类型的定义：（java泛型编程） 
public static class Map extends Mapper<LongWritable, Text, IntPair, IntWritable> 
public static class Reduce extends Reducer<IntPair, NullWritable, IntWritable, IntWritable>

1、首先说一下工作原理：

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RecordReder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<LongWritable, Text>对输入给Map的map方法。注意输出应该符合自定义Map中定义的输出<IntPair, IntWritable>。最终是生成一个List<IntPair, IntWritable>。在map阶段的最后，会先调用job.setPartitionerClass对这个List进行分区，每个分区映射到一个reducer。每个分区内又调用job.setSortComparatorClass设置的key比较函数类排序。可以看到，这本身就是一个二次排序。如果没有通过job.setSortComparatorClass设置key比较函数类，则使用key的实现的compareTo方法。在第一个例子中，使用了IntPair实现的compareTo方法，而在下一个例子中，专门定义了key比较函数类。

在reduce阶段，reducer接收到所有映射到这个reducer的map输出后，也是会调用job.setSortComparatorClass设置的key比较函数类对所有数据对排序。然后开始构造一个key对应的value迭代器。这时就要用到分组，使用jobjob.setGroupingComparatorClass设置的分组函数类。只要这个比较器比较的两个key相同，他们就属于同一个组，它们的value放在一个value迭代器，而这个迭代器的key使用属于同一个组的所有key的第一个key。最后就是进入Reducer的reduce方法，reduce方法的输入是所有的（key和它的value迭代器）。同样注意输入与输出的类型必须与自定义的Reducer中声明的一致。

2、二次排序 就是首先按照第一字段排序，然后再对第一字段相同的行按照第二字段排序，注意不能破坏第一次排序 的结果 。例如 ：

echo "3 b
1 c
2 a
1 d
3 a"|sort -k1 -k2
1 c
1 d
2 a
3 a
3 b

 

3、具体步骤：  
1 自定义key。

在mr中，所有的key是需要被比较和排序的，并且是二次，先根据partitione，再根据大小。而本例中也是要比较两次。先按照第一字段排序，然后再对第一字段相同的按照第二字段排序。根据这一点，我们可以构造一个复合类IntPair，他有两个字段，先利用分区对第一字段排序，再利用分区内的比较对第二字段排序。  
所有自定义的key应该实现接口WritableComparable，因为是可序列的并且可比较的。并重载方法  
//反序列化，从流中的二进制转换成IntPair  
public void readFields(DataInput in) throws IOException  
         
//序列化，将IntPair转化成使用流传送的二进制  
public void write(DataOutput out)

//key的比较  
public int compareTo(IntPair o)  
         
另外新定义的类应该重写的两个方法  
//The hashCode() method is used by the HashPartitioner (the default partitioner in MapReduce)  
public int hashCode()  
public boolean equals(Object right)

2 由于key是自定义的，所以还需要自定义一下类：

2.1 分区函数类。这是key的第一次比较。  
public static class FirstPartitioner extends Partitioner<IntPair,IntWritable>

在job中设置使用setPartitionerClasss

2.2 key比较函数类。这是key的第二次比较。这是一个比较器，需要继承WritableComparator。  
public static class KeyComparator extends WritableComparator  
必须有一个构造函数，并且重载 public int compare(WritableComparable w1, WritableComparable w2)  
另一种方法是 实现接口RawComparator。  
在job中设置使用setSortComparatorClass。

2.3 分组函数类。在reduce阶段，构造一个key对应的value迭代器的时候，只要first相同就属于同一个组，放在一个value迭代器。这是一个比较器，需要继承WritableComparator。  
public static class GroupingComparator extends WritableComparator  
同key比较函数类，必须有一个构造函数，并且重载 public int compare(WritableComparable w1, WritableComparable w2)  
同key比较函数类，分组函数类另一种方法是实现接口RawComparator。  
在job中设置使用setGroupingComparatorClass。

另外注意的是，如果reduce的输入与输出不是同一种类型，则不要定义Combiner也使用reduce，因为Combiner的输出是reduce的输入。除非重新定义一个Combiner。

4 代码。这个例子中没有使用key比较函数类，而是使用key的实现的compareTo方法：

 package SecondarySort;

 import java.io.DataInput;
 import java.io.DataOutput;
 import java.io.IOException;
 import org.apache.hadoop.conf.Configuration;
 import org.apache.hadoop.fs.FileSystem;
 import org.apache.hadoop.fs.Path;
 import org.apache.hadoop.io.LongWritable;
 import org.apache.hadoop.io.Text;
 import org.apache.hadoop.io.WritableComparable;
 import org.apache.hadoop.io.WritableComparator;
 import org.apache.hadoop.mapreduce.Job;
 import org.apache.hadoop.mapreduce.Mapper;
 import org.apache.hadoop.mapreduce.Partitioner;
 import org.apache.hadoop.mapreduce.Reducer;
 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
 import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
 import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;

 public class SecondarySort
 {
     //自己定义的key类应该实现WritableComparable接口
     public static class IntPair implements WritableComparable<IntPair>
     {
         String first;
         String second;
         /**
          * Set the left and right values.
          */
         public void set(String left, String right)
         {
             first = left;
             second = right;
         }
         public String getFirst()
         {
             return first;
         }
         public String getSecond()
         {
             return second;
         }
         //反序列化，从流中的二进制转换成IntPair
         public void readFields(DataInput in) throws IOException
         {
             first = in.readUTF();
             second = in.readUTF();
         }
         //序列化，将IntPair转化成使用流传送的二进制
         public void write(DataOutput out) throws IOException
         {
             out.writeUTF(first);
             out.writeUTF(second);
         }
         //重载 compareTo 方法，进行组合键 key 的比较，该过程是默认行为。
         //分组后的二次排序会隐式调用该方法。
         public int compareTo(IntPair o)
         {
             if (!first.equals(o.first) )
             {
                 return first.compareTo(o.first);
             }
             else if (!second.equals(o.second))
             {
                 return second.compareTo(o.second);
             }
             else
             {
                 return 0;
             }
         }

         //新定义类应该重写的两个方法
         //The hashCode() method is used by the HashPartitioner (the default partitioner in MapReduce)
         public int hashCode()
         {
             return first.hashCode() * 157 + second.hashCode();
         }
         public boolean equals(Object right)
         {
             if (right == null)
                 return false;
             if (this == right)
                 return true;
             if (right instanceof IntPair)
             {
                 IntPair r = (IntPair) right;
                 return r.first.equals(first) && r.second.equals(second) ;
             }
             else
             {
                 return false;
             }
         }
     }
     /**
       * 分区函数类。根据first确定Partition。
       */
     public static class FirstPartitioner extends Partitioner<IntPair, Text>
     {
         public int getPartition(IntPair key, Text value,int numPartitions)
         {
             return Math.abs(key.getFirst().hashCode() * 127) % numPartitions;
         }
     }

     /**
      * 分组函数类。只要first相同就属于同一个组。
      */
     /*//第一种方法，实现接口RawComparator
     public static class GroupingComparator implements RawComparator<IntPair> {
         public int compare(IntPair o1, IntPair o2) {
             int l = o1.getFirst();
             int r = o2.getFirst();
             return l == r ? 0 : (l < r ? -1 : 1);
         }
         //一个字节一个字节的比，直到找到一个不相同的字节，然后比这个字节的大小作为两个字节流的大小比较结果。
         public int compare(byte[] b1, int s1, int l1, byte[] b2, int s2, int l2){
              return WritableComparator.compareBytes(b1, s1, Integer.SIZE/8,
                      b2, s2, Integer.SIZE/8);
         }
     }*/
     //第二种方法，继承WritableComparator
     public static class GroupingComparator extends WritableComparator
     {
         protected GroupingComparator()
         {
             super(IntPair.class, true);
         }
         //Compare two WritableComparables.
         //  重载 compare：对组合键按第一个自然键排序分组
         public int compare(WritableComparable w1, WritableComparable w2)
         {
             IntPair ip1 = (IntPair) w1;
             IntPair ip2 = (IntPair) w2;
             String l = ip1.getFirst();
             String r = ip2.getFirst();
             return l.compareTo(r);
         }
     }

     // 自定义map
     public static class Map extends Mapper<LongWritable, Text, IntPair, Text>
     {
         private final IntPair keyPair = new IntPair();
         String[] lineArr = null;
         public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException
         {
             String line = value.toString();
             lineArr = line.split("\t", -1);
             keyPair.set(lineArr[0], lineArr[1]);
             context.write(keyPair, value);
         }
     }
     // 自定义reduce
     //
     public static class Reduce extends Reducer<IntPair, Text, Text, Text>
     {
         private static final Text SEPARATOR = new Text("------------------------------------------------");

         public void reduce(IntPair key, Iterable<Text> values,Context context) throws IOException, InterruptedException
         {
             context.write(SEPARATOR, null);
             for (Text val : values)
             {
                 context.write(null, val);
             }
         }
     }

     public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException
     {
         // 读取hadoop配置
         Configuration conf = new Configuration();
         // 实例化一道作业
         Job job = new Job(conf, "secondarysort");
         job.setJarByClass(SecondarySort.class);
         // Mapper类型
         job.setMapperClass(Map.class);
         // 不再需要Combiner类型，因为Combiner的输出类型<Text, IntWritable>对Reduce的输入类型<IntPair, IntWritable>不适用
         //job.setCombinerClass(Reduce.class);
         // Reducer类型
         job.setReducerClass(Reduce.class);
         // 分区函数
         job.setPartitionerClass(FirstPartitioner.class);
         // 分组函数
         job.setGroupingComparatorClass(GroupingComparator.class);

         // map 输出Key的类型
         job.setMapOutputKeyClass(IntPair.class);
         // map输出Value的类型
         job.setMapOutputValueClass(Text.class);
         // rduce输出Key的类型，是Text，因为使用的OutputFormatClass是TextOutputFormat
         job.setOutputKeyClass(Text.class);
         // rduce输出Value的类型
         job.setOutputValueClass(Text.class);

         // 将输入的数据集分割成小数据块splites，同时提供一个RecordReder的实现。
         job.setInputFormatClass(TextInputFormat.class);
         // 提供一个RecordWriter的实现，负责数据输出。
         job.setOutputFormatClass(TextOutputFormat.class);

         // 输入hdfs路径
         FileInputFormat.setInputPaths(job, new Path(args[0]));
         // 输出hdfs路径
         FileSystem.get(conf).delete(new Path(args[1]), true);
         FileOutputFormat.setOutputPath(job, new Path(args[1]));
         // 提交job
         System.exit(job.waitForCompletion(true) ? 0 : 1);
     }
 }

5 需求：假如我们现在的需求是先按 cookieId 排序，然后按 time 排序，以便按 session 切分日志

6 测试数据与结果：

01	cookieId    time    url

02	2   12:12:34    2_hao123

03	3   09:10:34    3_baidu

04	1   15:02:41    1_google

05	3   22:11:34    3_sougou

06	1   19:10:34    1_baidu

07	2   15:02:41    2_google

08	1   12:12:34    1_hao123

09	3   23:10:34    3_soso

10	2   05:02:41    2_google

11

12

结果：

13	------------------------------------------------

14	1       12:12:34        1_hao123

15	1       15:02:41        1_google

16	1       19:10:34        1_baidu

17	------------------------------------------------

18	2       05:02:41        2_google

19	2       12:12:34        2_hao123

20	2       15:02:41        2_google

21	------------------------------------------------

22	3       09:10:34        3_baidu

23	3       22:11:34        3_sougou

24	3       23:10:34        3_soso

7 原理图（点击查看大图）：

reference:

REF:

mapreduce的二次排序 SecondarySort

http://blog.csdn.net/zyj8170/article/details/7530728

学会定制MapReduce里的partition,sort和grouping,Secondary Sort Made Easy 进行二次排序

http://blog.sina.com.cn/s/blog_9bf980ad0100zk7r.html

Simple Moving Average, Secondary Sort, and MapReduce (Part 3)

http://blog.cloudera.com/blog/2011/04/simple-moving-average-secondary-sort-and-mapreduce-part-3/

https://github.com/jpatanooga/Caduceus/tree/master/src/tv/floe/caduceus/hadoop/movingaverage

MapReduce的排序和二次排序原理总结

http://hugh-wangp.iteye.com/blog/1491175

泛型value的二次排序

http://wenku.baidu.com/view/a3826a235901020207409c47.html

http://vangjee.wordpress.com/2012/03/20/secondary-sorting-aka-sorting-values-in-hadoops-mapreduce-programming-paradigm/

from:  http://www.see-source.com/blog/300000028/389