如何在Hadoop里面实现二次排序

在hadoop里面处理的数据，默认按输入内容的key进行排序的，大部分情况下，都可以满足的我们的业务需求，但有时候，可能出现类似以下的需求，输入内容：

<pre name="code" class="java">秦东亮;72
秦东亮;34
秦东亮;100
三劫;899
三劫;32
三劫;1
a;45
b;567
b;12
</pre>
要求输出1：
<pre name="code" class="java">a 45
b 12,567
三劫 1,32,899
秦东亮 34,72,100
</pre>
要求输出2：
<pre name="code" class="java">a 45
b 12
b 567
三劫 1
三劫 32
三劫 899
秦东亮 34
秦东亮 72
秦东亮 100
</pre>
注意上面的输出1，和输出2，其实都是一样的逻辑，只不过，输出的形式稍微改了下，那么今天散仙，就来分析下，怎么在hadoop里面，实现这样的需求。

其实这样的需求，就类似数据库的标准SQL分组
SELECT A,B FROM TABLE GROUP BY  A,B ORDER BY A,B
当然也不一定，是2个字段分组，可能有2个或2个以上的多个字段分组。
下面，我们先来看下MapReduce内部执行2次排序的流程图，这图是散仙收集的，画的很不错。



由上图可知，Map在处理数据时，先由InputFormat组件提供输入格式，然后Split一行数据，默认的是TextInputFormat，Key为字节偏移量，Value为内容，然后把这行数据，传给Map，Map根据某种约定的分隔符，进行拆分数据，进行业务处理，如果是计数的直接在Value上输出1，在Map输出前，如果有Combine组件，则会执行Combine阶段，进行本地Reduce，一般是用来优化程序用的，Combine执行完后，会执行Partition组件，进行数据分区，默认的是HashPartition，按照输出的Key的哈希值与上Integer的最大值，然后对reduce的个数进行取余得到的值，经过Partition后，数据就会被按桶输出到本地磁盘上，在输出的时候，会按照Key进行排序，然后等所有的Map执行完毕后，就会进入Reduce阶段，这个阶段会进行一个大的混洗阶段，术语叫shuffle，每个reduce都会去每个map输出的分区里面，拉取对应的一部分数据，这个时候，是最耗网络IO，以及磁盘IO的，是影响性能的一个重要瓶颈，当Reduce把所有的数据拉取完毕后，就会进行分组并按照Key进行排序，每处理好一个分组，都会调用一次Reduce函数，进行累加，或其他的业务处理，处理完毕后，就会通过OutputFormat进行输出到HDFS上，至此，整个流程就执行完毕。


代码如下：
<pre name="code" class="java">package com.qin.groupsort;

import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;

import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
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.mapred.JobConf;
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.db.DBConfiguration;
import org.apache.hadoop.mapreduce.lib.db.DBInputFormat;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.MultipleOutputs;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;

import com.qin.operadb.PersonRecoder;
import com.qin.operadb.ReadMapDB;


/**
* @author qindongliang
*
* 大数据交流群：376932160
*
*
* **/
public class GroupSort {

/**
* map任务
*
* */
public static class GMapper extends Mapper<LongWritable, Text, DescSort, IntWritable>{


private DescSort tx=new DescSort();
private IntWritable second=new IntWritable();

@Override
protected void map(LongWritable key, Text value,Context context)
throws IOException, InterruptedException {
System.out.println("执行map");
// System.out.println("进map了");
//mos.write(namedOutput, key, value);
String ss[]=value.toString().split(";");
String mkey=ss[0];
int mvalue=Integer.parseInt(ss[1]);
tx.setFirstKey(mkey);
tx.setSecondKey(mvalue);
second.set(mvalue);
context.write(tx, second);
}


}




/***
  * Reduce任务
  *
  * **/
public static class GReduce extends Reducer<DescSort, IntWritable, Text, Text>{
@Override
protected void reduce(DescSort arg0, Iterable<IntWritable> arg1, Context ctx)
throws IOException, InterruptedException {
System.out.println("执行reduce");
StringBuffer sb=new StringBuffer();

for(IntWritable t:arg1){

// sb.append(t).append(",");


//con

ctx.write(new Text(arg0.getFirstKey()), new Text(t.toString()));


/**这种写法，是这种输出

*a 45
*b 12
b 567
   三劫 1
  三劫 32
  三劫 899
  秦东亮 34
  秦东亮 72
  秦东亮 100
*/


}

if(sb.length()>0){
sb.deleteCharAt(sb.length()-1);//删除最后一位的逗号
}


// 在循环里拼接，在循环外输出是这种格式
// b 12,567
// 三劫 1,32,899
// 秦东亮 34,72,100
// ctx.write(new Text(arg0.getFirstKey()), new Text(sb.toString()));


}



}


/***
  *
  * 自定义组合键
  * **/
public static class DescSort implements  WritableComparable{

public DescSort() {
// TODO Auto-generated constructor stub
}
private String firstKey;
private int secondKey;


public String getFirstKey() {
return firstKey;
}
public void setFirstKey(String firstKey) {
this.firstKey = firstKey;
}
public int getSecondKey() {
return secondKey;
}
public void setSecondKey(int secondKey) {
this.secondKey = secondKey;
}




// @Override
// public int compare(byte[] arg0, int arg1, int arg2, byte[] arg3,
// int arg4, int arg5) {
// return -super.compare(arg0, arg1, arg2, arg3, arg4, arg5);//注意使用负号来完成降序
// }
//
// @Override
// public int compare(Object a, Object b) {
//
// return   -super.compare(a, b);//注意使用负号来完成降序
// }
@Override
public void readFields(DataInput in) throws IOException {
// TODO Auto-generated method stub
firstKey=in.readUTF();
secondKey=in.readInt();
}
@Override
public void write(DataOutput out) throws IOException {
out.writeUTF(firstKey);
out.writeInt(secondKey);

}
@Override
public int compareTo(Object o) {
// TODO Auto-generated method stub
DescSort d=(DescSort)o;
//this在前代表升序
return this.getFirstKey().compareTo(d.getFirstKey());
}


}


/**
* 主要就是对于分组进行排序，分组只按照组建键中的一个值进行分组
*
* **/
public static class TextComparator extends WritableComparator{

public TextComparator() {
// TODO Auto-generated constructor stub
super(DescSort.class,true);//注册Comparator
}
@Override
public int compare(WritableComparable a, WritableComparable b) {
System.out.println("执行TextComparator分组排序");
DescSort d1=(DescSort)a;
DescSort d2=(DescSort)b;

return  d1.getFirstKey().compareTo(d2.getFirstKey());
}



}

/**
* 组内排序的策略
* 按照第二个字段排序
*
* */
public static class TextIntCompartator extends WritableComparator{

public TextIntCompartator() {
super(DescSort.class,true);
}

@Override
public int compare(WritableComparable a, WritableComparable b) {
DescSort d1=(DescSort)a;
DescSort d2=(DescSort)b;
System.out.println("执行组内排序TextIntCompartator");
if(!d1.getFirstKey().equals(d2.getFirstKey())){
return d1.getFirstKey().compareTo(d2.getFirstKey());
}else{

return d1.getSecondKey()-d2.getSecondKey();//0,-1,1

}
}

}

/**
* 分区策略
*
* */
public static class KeyPartition extends Partitioner<DescSort, IntWritable>{


@Override
public int getPartition(DescSort key, IntWritable arg1, int arg2) {
// TODO Auto-generated method stub
System.out.println("执行自定义分区KeyPartition");
return (key.getFirstKey().hashCode()&Integer.MAX_VALUE)%arg2;
}
}


public static void main(String[] args) throws Exception{
JobConf conf=new JobConf(ReadMapDB.class);
//Configuration conf=new Configuration();
    conf.set("mapred.job.tracker","192.168.75.130:9001");
//读取person中的数据字段
    conf.setJar("tt.jar");
//注意这行代码放在最前面，进行初始化，否则会报


/**Job任务**/
Job job=new Job(conf, "testpartion");
job.setJarByClass(GroupSort.class);
System.out.println("模式：  "+conf.get("mapred.job.tracker"));;
// job.setCombinerClass(PCombine.class);



// job.setNumReduceTasks(3);//设置为3
job.setMapperClass(GMapper.class);
job.setReducerClass(GReduce.class);

/**设置分区函数*/
job.setPartitionerClass(KeyPartition.class);

//分组函数，Reduce前的一次排序
job.setGroupingComparatorClass(TextComparator.class);
//组内排序Map输出完毕后，对key进行的一次排序



job.setSortComparatorClass(TextIntCompartator.class);

//TextComparator.class
//TextIntCompartator.class
// job.setGroupingComparatorClass(TextIntCompartator.class);
//组内排序Map输出完毕后，对key进行的一次排序
// job.setSortComparatorClass(TextComparator.class);



job.setMapOutputKeyClass(DescSort.class);
job.setMapOutputValueClass(IntWritable.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(Text.class);
   
String path="hdfs://192.168.75.130:9000/root/outputdb";
FileSystem fs=FileSystem.get(conf);
Path p=new Path(path);
if(fs.exists(p)){
fs.delete(p, true);
System.out.println("输出路径存在，已删除！");
}
FileInputFormat.setInputPaths(job, "hdfs://192.168.75.130:9000/root/input");
FileOutputFormat.setOutputPath(job,p );
System.exit(job.waitForCompletion(true) ? 0 : 1); 


}



}
</pre>
在eclipse下，执行，打印日志内容如下：
<pre name="code" class="java">模式：  192.168.75.130:9001
输出路径存在，已删除！
WARN - JobClient.copyAndConfigureFiles(746) | Use GenericOptionsParser for parsing the arguments. Applications should implement Tool for the same.
INFO - FileInputFormat.listStatus(237) | Total input paths to process : 1
WARN - NativeCodeLoader.<clinit>(52) | Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
WARN - LoadSnappy.<clinit>(46) | Snappy native library not loaded
INFO - JobClient.monitorAndPrintJob(1380) | Running job: job_201404152114_0003
INFO - JobClient.monitorAndPrintJob(1393) |  map 0% reduce 0%
INFO - JobClient.monitorAndPrintJob(1393) |  map 100% reduce 0%
INFO - JobClient.monitorAndPrintJob(1393) |  map 100% reduce 33%
INFO - JobClient.monitorAndPrintJob(1393) |  map 100% reduce 100%
INFO - JobClient.monitorAndPrintJob(1448) | Job complete: job_201404152114_0003
INFO - Counters.log(585) | Counters: 29
INFO - Counters.log(587) |   Job Counters
INFO - Counters.log(589) |     Launched reduce tasks=1
INFO - Counters.log(589) |     SLOTS_MILLIS_MAPS=7040
INFO - Counters.log(589) |     Total time spent by all reduces waiting after reserving slots (ms)=0
INFO - Counters.log(589) |     Total time spent by all maps waiting after reserving slots (ms)=0
INFO - Counters.log(589) |     Launched map tasks=1
INFO - Counters.log(589) |     Data-local map tasks=1
INFO - Counters.log(589) |     SLOTS_MILLIS_REDUCES=9807
INFO - Counters.log(587) |   File Output Format Counters
INFO - Counters.log(589) |     Bytes Written=86
INFO - Counters.log(587) |   FileSystemCounters
INFO - Counters.log(589) |     FILE_BYTES_READ=162
INFO - Counters.log(589) |     HDFS_BYTES_READ=205
INFO - Counters.log(589) |     FILE_BYTES_WRITTEN=111232
INFO - Counters.log(589) |     HDFS_BYTES_WRITTEN=86
INFO - Counters.log(587) |   File Input Format Counters
INFO - Counters.log(589) |     Bytes Read=93
INFO - Counters.log(587) |   Map-Reduce Framework
INFO - Counters.log(589) |     Map output materialized bytes=162
INFO - Counters.log(589) |     Map input records=9
INFO - Counters.log(589) |     Reduce shuffle bytes=162
INFO - Counters.log(589) |     Spilled Records=18
INFO - Counters.log(589) |     Map output bytes=138
INFO - Counters.log(589) |     Total committed heap usage (bytes)=176033792
INFO - Counters.log(589) |     CPU time spent (ms)=970
INFO - Counters.log(589) |     Combine input records=0
INFO - Counters.log(589) |     SPLIT_RAW_BYTES=112
INFO - Counters.log(589) |     Reduce input records=9
INFO - Counters.log(589) |     Reduce input groups=4
INFO - Counters.log(589) |     Combine output records=0
INFO - Counters.log(589) |     Physical memory (bytes) snapshot=258830336
INFO - Counters.log(589) |     Reduce output records=9
INFO - Counters.log(589) |     Virtual memory (bytes) snapshot=1461055488
INFO - Counters.log(589) |     Map output records=9
</pre>
执行完，我们在输出目录里里面查看



执行完，内容如下：
<pre name="code" class="java">a 45
b 12
b 567
三劫 1
三劫 32
三劫 899
秦东亮 34
秦东亮 72
秦东亮 100
</pre>

我们发现，跟我们预期的结果一致，熟悉MapReduce的执行原理，可以帮助我们更好的使用Hive，因为Hive本身就是一个或多个MapReduce作业构成的，Hive语句的优化，对MapReduce作业的影响的性能也是不容忽视的，所以我们一定要多熟悉熟悉MapReduce编程的模型，以便于我们对它有一个更清晰的认识和了解。