Partitioner, SortComparator and GroupingComparator in Hadoop

hadoop 0.20.2 api里面，作业被重新定义到了类 org.apache.hadoop.mapreduce.Job。

它有3个特别的方法：

job.setPartitionerClass(Partitioner p);

job.setSortComparatorClass(RawComparator c);
job.setGroupingComparatorClass(RawComparator c);

 

数据在被map处理过之后，会根据 Partitioner 定义的规则，把中间结果分发到特定的reduce。

Partitioner<Key, Value> 包含一个方法：public int getPartition(Key k, Value v, int parts)

public static class P extends Partitioner<IdWithTimestamp, Value> {

    @Override
    public int getPartition(IdWithTimestamp  k, Value v, int parts) {
        int hash = k.getId().hashCode();
        return (hash & Integer.MAX_VALUE) % parts;
    }

}

 

接下来，可以做一些控制，使得不同 Key的中间数据，能够被分发到同一个reduce 处理，setGroupingComparatorClass提供分组规则。

例如，key可能是[id, timestamp]，这样可以使相同的id(String)能按时间戳(long)排序，现在拆出包含在key里的相同id，分到相同的组。

public class IdComparator extends TextComparator {

    @Override
    public int compare(IdWithTimestamp o1, IdWithTimestamp o2) {
        return o1.getId().compareTo(o2.getId());
    }

}

 

然后，中间数据在被reduce处理之前，会先被集中排序，setSortComparatorClass提供排序规则。

public class TimestampComparator extends TextComparator {

    @Override
    public int compare(IdWithTimestamp o1, IdWithTimestamp o2) {
        return o1.getTimestamp() - o2.getTimestamp();
    }

}

 

如果不提供这些东西，默认使用的是 Key类型的 compareTo方法，而不是 hashCode和 equals。

可以自定义 WritableComparable类型，提供优化比较方法，以提高执行效率。。。字节比较，那是个挺麻烦的事情，我都是很偷懒地一直用Text，拼接、拆分字符串做比较。

 

Partitioner，SortComparator 和 GroupingComparator 配合即可实现某些对顺序有要求的计算。如果数据集很大的话，可能还需要控制map对输入的分割

public class NoSplitInputFormat extends TextInputFormat {

    @Override
    protected boolean isSplitable(JobContext context, Path file) {
        return false;
    }

}

 

排序 + 计算 两个任务，不等于一个完整任务里的 按顺序计算。

 

实践证明，使用外部的RawComparator 更具灵活性，可以提供不同的排序和分组策略。

 

 

转自：http://roserouge.iteye.com/blog/746391