Mapreduce的排序（全局排序、分区加排序、Combiner优化）

一、mr排序的分类

　　1.部分排序：mr会根据自己输出记录的kv对数据进行排序，保证输出到每一个文件内存都是经过排序的；

　　2.全局排序；

　　3.辅助排序：再第一次排序后经过分区再排序一次；

　　4.二次排序：经过一次排序后又根据业务逻辑再次进行排序。

 

二、mr排序的接口——writablecomparable

　　该接口继承了hadoop的writable接口和java的comparable接口，实现该接口要重写write、readfields、compareto三个方法。

 

三、流量统计案例的排序与分区

/**
 * @author: princesshug
 * @date: 2019/3/24, 15:36
 * @blog: https://www.cnblogs.com/hellobigtable/
 */
public class flowsortbean implements writablecomparable<flowsortbean> {
    private long upflow;
    private long dwflow;
    private long flowsum;

    public flowsortbean() {
    }

    public flowsortbean(long upflow, long dwflow) {
        this.upflow = upflow;
        this.dwflow = dwflow;
        this.flowsum = upflow + dwflow;
    }

    public long getupflow() {
        return upflow;
    }

    public void setupflow(long upflow) {
        this.upflow = upflow;
    }

    public long getdwflow() {
        return dwflow;
    }

    public void setdwflow(long dwflow) {
        this.dwflow = dwflow;
    }

    public long getflowsum() {
        return flowsum;
    }

    public void setflowsum(long flowsum) {
        this.flowsum = flowsum;
    }

    @override
    public void write(dataoutput out) throws ioexception {
        out.writelong(upflow);
        out.writelong(dwflow);
        out.writelong(flowsum);
    }

    @override
    public void readfields(datainput in) throws ioexception {
        upflow = in.readlong();
        dwflow = in.readlong();
        flowsum = in.readlong();
    }

    @override
    public string tostring() {
        return upflow + "\t" + dwflow + "\t" + flowsum;
    }

    @override
    public int compareto(flowsortbean o) {
        return this.flowsum > o.getflowsum() ? -1:1;
    }
}

public class flowsortmapper extends mapper<longwritable, text,flowsortbean,text> {
    @override
    protected void map(longwritable key, text value, context context) throws ioexception, interruptedexception {
        //获取数据
        string line = value.tostring();

        //切分数据
        string[] fields = line.split("\t");

        //封装数据
        long upflow = long.parselong(fields[1]);
        long dwflow = long.parselong(fields[2]);

        //传输数据
        context.write(new flowsortbean(upflow,dwflow),new text(fields[0]));
    }
}

public class flowsortreducer extends reducer<flowsortbean,text,text,flowsortbean> {
    @override
    protected void reduce(flowsortbean key, iterable<text> values, context context) throws ioexception, interruptedexception {
        context.write(values.iterator().next(),key);
    }
}

public class flowsortpartitioner extends partitioner<flowsortbean, text> {
    @override
    public int getpartition(flowsortbean key, text value, int i) {
        string phonenum = value.tostring().substring(0, 3);

        int partition = 4;
        if ("135".equals(phonenum)){
            return 0;
        }else if ("137".equals(phonenum)){
            return 1;
        }else if ("138".equals(phonenum)){
            return 2;
        }else if ("139".equals(phonenum)){
            return 3;
        }
        return partition;
    }
}

public class flowsortdriver {
    public static void main(string[] args) throws ioexception, classnotfoundexception, interruptedexception {
        //设置配置，初始化job类
        configuration conf = new configuration();
        job job = job.getinstance(conf);

        //设置执行类
        job.setjarbyclass(flowsortdriver.class);

        //设置mapper、reducer类
        job.setmapperclass(flowsortmapper.class);
        job.setreducerclass(flowsortreducer.class);

        //设置mapper输出数据类型
        job.setmapoutputkeyclass(flowsortbean.class);
        job.setmapoutputvalueclass(text.class);

        //设置reducer输出数据类型
        job.setoutputkeyclass(text.class);
        job.setoutputvalueclass(flowsortbean.class);

        //设置自定义分区
        job.setpartitionerclass(flowsortpartitioner.class);
        job.setnumreducetasks(5);

        //设置文件输入输出类型
        fileinputformat.setinputpaths(job,new path("g:\\mapreduce\\flow\\flowsort\\in"));
        fileoutputformat.setoutputpath(job,new path("g:\\mapreduce\\flow\\flowsort\\partitionout"));

        //提交任务
        if (job.waitforcompletion(true)){
            system.out.println("运行完成！");
        }else {
            system.out.println("运行失败！");
        }

    }
}

　　注意：再写mapper类的时候，要注意kv对输出的数据类型，key的类型一定要为flowsortbean，因为在mapper和reducer之间进行的排序(只是排序)是通过mapper输出的key来进行排序的，而分区可以指定是通过key或者value。

 

四、combiner合并

　　combiner是在mr之外的一个组件，可以用来在maptask输出到环形缓冲区溢写之后，分区排序完成时进行局部的汇总，可以减少网络传输量，进而优化mr程序。

　　combiner是用在当数据量到达一定规模之后的，小的数据量并不是很明显。

　　例如wordcount程序，当单词文件的大小到达一定程度，可以使用自定义combiner进行优化：

public class wordcountcombiner extends reducer<text,intwritable,text,intwritable>{
	protected void reduce(text key,iterable<intwritable> values,context context){
		//计数
		int count = 0;
		
		//累加求和
		for(intwritable v:values){
			count += v.get();
		}
		//输出
		context.write(key,new intwritable(count));
	}
}

　　然后再driver类中设置使用combiner类

job.setcombinerclass(wordcountcombiner.class);

　　如果仔细观察，wordcount的自定义combiner类与reducer类是完全相同的，因为他们的逻辑是相同的，即在maptask之后的分区内先进行一次累加求和，然后到reducer后再进行总的累加求和，所以在设置combiner时也可以这样：

job.setcombinerclass(wordcountreducer.class);

 

　　注意：combiner的应用一定要注意不能影响最终业务逻辑的情况下使用，比如在求平均值的时候：

　　mapper输出两个分区：3，5，7　　=>avg=5

　　　　　　　　　　　　2，6　　　　=>avg=4

　　reducer合并输出：　　5，4　　　  =>avg=4.5  但是实际应该为4.6，错误！

　　所以在使用combiner时要注意其不会影响最中的结果！！！