Map/Reduce中分区和分组的问题

一、为什么写

分区和分组在排序中的作用是不一样的，今天早上看书，又有点心得体会，记录一下。

二、什么是分区

1、还是举书上的例子，在8.2.4章节的二次排序过程中，用气温举例，所以这里我也将这个例子说一下。

源数据内容
1900 35°C
1900 34°C
1900 34°C
...
1901 36°C
1901 35°C

书上的例子是为了去除一年当中气温最高的值，那么将年份和气温做了一个复合的key.

2、通过设置了partitioner来进行分区（这里注意了，分区是通过partitioner来进行的）。因为分区是按照年份来进行，所以同年的数据就可以

分区到一个reducer中。但是这样的分区是不能做到对气温划分的，所以分区后的结果如下：

上面这个图是书上的，我只是截取下来而已。可以看到，partition实现了年份同一分区，但是不是一个分组。注意看后面的2条竖线，通过截断表示。

3、如果想把同一年份的气温分组到一起，那么需要做分组的控制。在reducer中以年份部分来分组值，那么同一年的记录就会分到同一个reduce组中。

结果如下：

注意看一下后面2条竖线，和上面的对比，分区和分组相同，那么在reduce输出的时候，只需要取第一个value就能达到输出一年最高气温的目的。

三、总结

1、以上内容是对hadoop全文指南的二次排序的个人理解，可能写的比较晦涩，建议看看8.4.2这个章节。

2、分区和分组是不同的概念，并且进行的阶段也是不同的。

3、一般来说，想要做到分区和分组的排序，key一般都是复合的组合（例如年份和气温构成了key）。

4、分在同一组的<key,value>一定同属一个分区。在一个分区的<key,value>可重载"job.setGroupingComparatorClass(a.class);"中的a类的

compare方法重新定义分组规则,同一组的value做为reduce的输入。

4、写的不对或有错误的地方，可留言或发邮件交流[e-mail]