使用Hadoop MapReduce 进行排序
在hadoop中的例子TeraSort，就是一个利用mapredue进行排序的例子。本文参考并简化了这个例子：
排序的基本思想是利用了mapreduce的自动排序功能，在hadoop中，从map到reduce阶段，map出来的结构会按照各个key按照 hash值分配到各个reduce中，其中，在reduce中所有的key都是有序的了。如果使用一个reduce，那么我们直接将他output出来就
行了，但是这不能够体现分布式的好处，所以，我们还是要用多个reduce来跑。
比方说我们有1000个1-10000的数据，跑10个ruduce任务，如果我们运行进行partition的时候，能够将在1-1000中数据的分配到第一个reduce中，1001-2000的数据分配到第二个 reduce中，以此类推。即第n个reduce所分配到的数据全部大于第n-1个reduce中的数据。这样，每个reduce出来之后都是有序的了，
我们只要cat所有的输出文件，变成一个大的文件，就都是有序的了。
基本思路就是这样，但是现在有一个问题，就是数据的区间如何划分，在数据量大，还有我们并不清楚数据分布的情况下。一个比较简单的方法就是采样，假如有一 亿的数据，我们可以对数据进行采样，如取10000个数据采样，然后对采样数据分区间。在Hadoop中，patition我们可以用
TotalOrderPartitioner替换默认的分区。然后将采样的结果传给他，就可以实现我们想要的分区。在采样时，我们可以使用hadoop的 几种采样工具，RandomSampler,InputSampler,IntervalSampler。
这样，我们就可以对利用分布式文件系统进行大数据量的排序了，我们也可以重写Partitioner类中的compare函数，来定义比较的规则，从而可以实现字符串或其他非数字类型的排序，也可以实现二次排序乃至多次排序。
参考：《Hadoop权威指南》里面有详细的讲
1 CxfInputFormat.java
2
3 package com.alibaba.cxf.sort;
4
5 import java.io.IOException;
6
7 import org.apache.hadoop.io.IntWritable;
8 import org.apache.hadoop.io.LongWritable;
9 import org.apache.hadoop.io.NullWritable;
10 import org.apache.hadoop.io.Text;
11 import org.apache.hadoop.mapred.FileInputFormat;
12 import org.apache.hadoop.mapred.FileSplit;
13 import org.apache.hadoop.mapred.InputSplit;
14 import org.apache.hadoop.mapred.JobConf;
15 import org.apache.hadoop.mapred.LineRecordReader;
16 import org.apache.hadoop.mapred.RecordReader;
17 import org.apache.hadoop.mapred.Reporter;
18
19 public class CxfInputFormat extends FileInputFormat<IntWritable,Text>{
20@Override
21public RecordReader<IntWritable, Text> getRecordReader(InputSplit split,
22 JobConf job, Reporter reporter) throws IOException {
23 return new CxfRecordReader(job, (FileSplit) split);
24}
25class CxfRecordReader implements RecordReader<IntWritable,Text> {
26
27 private LineRecordReader in;
28 private LongWritable junk = new LongWritable();
29 private Text line = new Text();
30 privateint KEY_LENGTH = 10;
31 public CxfRecordReader(JobConf job,FileSplit split) throws IOException{
32 in = new LineRecordReader(job, split);
33 }
34 @Override
35 public void close() throws IOException {
36 in.close();
37 }
38 @Override
39 public IntWritable createKey() {
40 return new IntWritable();
41 }
42 @Override
43 public Text createValue() {
44
45 return new Text();
46 }
47 @Override
48 public long getPos() throws IOException {
49
50 return in.getPos();
51 }
52 @Override
53 public float getProgress() throws IOException {
54
55 return in.getProgress();
56 }
57 @Override
58 public boolean next(IntWritable key, Text value) throws IOException {
59 if (in.next(junk, line)) {
60 if (line.getLength() < KEY_LENGTH) {
61 key.set(Integer.parseInt(line.toString()));
62 value = new Text();
63 // value.clear();
64 } else {
65 byte[] bytes = line.getBytes();
66 key.set(Integer.parseInt(new String(bytes).substring(0, KEY_LENGTH)));
67 value = new Text();
68 }
69 return true;
70 } else {
71 return false;
72 }
73 }
74}
75 }
76
77
78
79 SortByMapReduce.java
80
81 package com.alibaba.cxf.sort;
82
83 import java.io.IOException;
84 import java.net.URI;
85 import java.net.URISyntaxException;
86 import org.apache.hadoop.filecache.DistributedCache;
87 import org.apache.hadoop.fs.Path;
88 import org.apache.hadoop.io.IntWritable;
89 import org.apache.hadoop.io.NullWritable;
90 import org.apache.hadoop.mapred.FileInputFormat;
91 import org.apache.hadoop.mapred.FileOutputFormat;
92 import org.apache.hadoop.mapred.JobClient;
93 import org.apache.hadoop.mapred.JobConf;
94 import org.apache.hadoop.mapred.TextOutputFormat;
95 import org.apache.hadoop.mapred.lib.InputSampler;
96 import org.apache.hadoop.mapred.lib.TotalOrderPartitioner;
97 public class SortByMapReduce {
98
99/**
100 * @param args
101 * @throws URISyntaxException
102 * @throws IOException
103 */
104public static void main(String[] args) throws IOException, URISyntaxException {
105 runJob(args);
106}
107
108private static void runJob(String[] args) throws IOException, URISyntaxException {
109
110 JobConf conf = new JobConf(SortByMapReduce.class);
111
112 FileInputFormat.setInputPaths(conf, new Path(args));
113 FileOutputFormat.setOutputPath(conf, new Path(args));
114 conf.setJobName(”SortByMapReduce”);
115
116 conf.setInputFormat(CxfInputFormat.class);
117 conf.setOutputKeyClass(IntWritable.class);
118 conf.setOutputFormat(TextOutputFormat.class);
119 conf.setNumReduceTasks(5);
120 conf.setPartitionerClass(TotalOrderPartitioner.class);
121 InputSampler.RandomSampler<IntWritable, NullWritable> sampler =
122 new InputSampler.RandomSampler<IntWritable, NullWritable>(0.1,10000,10);
123
124 Path input = FileInputFormat.getInputPaths(conf);
125 input = input.makeQualified(input.getFileSystem(conf));
126 Path partitionFile = new Path(input,”_partitions”);
127 TotalOrderPartitioner.setPartitionFile(conf, partitionFile);
128 InputSampler.writePartitionFile(conf, sampler);
129
130 URI partitionURI = new URI(partitionFile.toString() + “#_partitions”);
131 DistributedCache.addCacheFile(partitionURI, conf);
132 DistributedCache.createSymlink(conf);
133 JobClient.runJob(conf);
134}
135 }
页:
[1]