mapreduce之组件，join，排序原理

第一部分：重要的组件

Combiner

•什么是Combiner

•combine函数把一个map函数产生的<key,value>对（多个key, value）合并成一个新的<key2,value2>. 将新的<key2,value2>作为输入到reduce函数中，其格式与reduce函数相同。

•这样可以有效的较少中间结果，减少网络传输负荷。



•什么情况下可以使用Combiner

•可以对记录进行汇总统计的场景，如求和。

•求平均数的场景就不可以使用了

Combiner执行时机

•运行combiner函数的时机有可能会是merge完成之前，或者之后，这个时机可以由一个参数控制，即 min.num.spill.for.combine（default 3）

•当job中设定了combiner，并且spill数最少有3个的时候，那么combiner函数就会在merge产生结果文件之前运行

•通过这样的方式，就可以在spill非常多需要merge，并且很多数据需要做conbine的时候，减少写入到磁盘文件的数据数量，同样是为了减少对磁盘的读写频率，有可能达到优化作业的目的。

•Combiner也有可能不执行， Combiner会考虑当时集群的负载情况。

Combiner如何使用

•代码示例

•继承Reducer类

public static class Combiner extends MapReduceBase implements

Reducer<Text, Text, Text, Text> {

public void reduce(Text key, Iterator<Text> values,

OutputCollector<Text, Text> output, Reporter reporter)

throws IOException {

}

}



•配置作业时加入conf.setCombinerClass(Combiner.class)



Partitioner

•什么是Partitioner

•Mapreduce 通过Partitioner 对Key 进行分区，进而把数据按我们自己的需求来分发。

•什么情况下使用Partitioner

•如果你需要key按照自己意愿分发，那么你需要这样的组件。

•例如：数据文件内包含省份，而输出要求每个省份输出一个文件。

•框架默认的HashPartitioner

•public class HashPartitioner<K, V> extends Partitioner<K, V> {

/** Use {@link Object#hashCode()} to partition. */

public int getPartition(K key, V value,

int numReduceTasks) {

return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;

}

}

Partitioner如何使用

•实现Partitioner接口覆盖getPartition()方法

•配置作业时加入conf.setPartitionerClass(MyPartitioner.class);

•Partitioner示例

public static class MyPartitioner implements Partitioner<Text, Text> {



@Override

public int getPartition(Text key, Text value, int numPartitions) {

}



}

Partitioner需求示例

•需求描述

•数据文件中含有省份

•需要相同的省份送到相同的Reduce里

•从而产生不同的文件

•数据样例

•1 liaoning

•1 代表该省份有多少个直辖市

•步骤

•实现Partitioner，覆盖getPartition

•根据省份字段进行切分





RecordReader

•什么是RecordReader

•用于在分块中读取<Key,Value>对，也就是说每一次我们读取一条记录都会调用该类。

•主要是处理经过InputFormat分片完的数据

•什么时候使用RecordReader

•需要对输入的数据按自己的需求处理

•如：要求输入的key不是文件的偏移量而是文件的路径或者名字

•系统默认为LineRecordReader
•按照每行的偏移量做为map输出时的key值，每行的内容作为map的value值，默认的分隔符是回车和换行。


RecordReader需求示例

•需求

•更改map对应的输入的<key,value>值，key对应的文件的路径（或者是文件名），value对应的是文件的内容（content）。

•步骤

•重写InputFormat不对文件切分

•重写RecordReader

•在配置作业时使用自定义的组件进行数据处理





第二部分：Join

案例分析

•输入为2个文件，文件一内容如下

•空格分割：用户名 手机号 年龄

•内容样例

•Tom 1314567890 14

•文件二内容

•空格分割：手机号 地市

•内容样例

•13124567890 hubei

•需要统计出的汇总信息为 用户名 手机号 年龄 地市

Map端Join

•设计思路

•使用DistributedCache.addCacheFile()将地市的文件加入到所有Map的缓存里

•在Map函数里读取该文件，进行Join

• 将结果输出到reduce

•需要注意的是

•DistributedCache需要在生成Job作业前使用





Reduce端Join

•设计思路

•Map端读取所有文件，并在输出的内容里加上标识代表数据时从哪个文件里来的

•在reduce对按照标识对数据进行保存

•然后根据Key的Join来求出结果直接输出



第三部分：排序


普通排序

•Mapreduce本身自带排序功能
•Text对象是不适合排序的，如果内容为整型不会安照编码顺序去排序
•一般情况下我们可以考虑以IntWritable做为Key,同时将Reduce设置成0 ,进行排序


部分排序

•即输出的每个文件都是排过序的
•如果我们不需要全局排序，那么这是个不错的选择。


全局排序

•产生背景

•Hadoop平台没有提供全局数据排序，而在大规模数据处理中进行数据的全局排序是非常普遍的需求。

•使用hadoop进行大量的数据排序排序最直观的方法是把文件所有内容给map之后，map不做任何处理，直接输出给一个reduce，利用hadoop的自己的shuffle机制，对所有数据进行排序，而后由reduce直接输出。

•快速排序基本步骤就是需要现在所有数据中选取一个作为支点。然后将大于这个支点的放在一边，小于这个支点的放在另一边。



设想如果我们有 N 个支点（这里可以称为标尺），就可以把所有的数据分成 N+1 个 part ，将这 N+1 个 part 丢给 reduce，由 hadoop 自动排序，最后输出 N+1 个内部有序的文件，再把这 N+1 个文件首尾相连合并成一个文件，收工 。
由此我们可以归纳出这样一个用 hadoop 对大量数据排序的步骤：
1 ） 对待排序数据进行抽样；
2 ） 对抽样数据进行排序，产生标尺；
3 ） Map 对输入的每条数据计算其处于哪两个标尺之间；将数据发给对应区间 ID 的 reduce
4 ） Reduce 将获得数据直接输出。

•Hadoop 提供了Sampler接口可以返回一组样本，该接口为Hadoop的采样器。
public interface Sampler<K, V> {
K[] getSample(InputFormat<K, V> inf, Job job)
throws IOException, InterruptedException;
}
•Hadoop提供了一个TotalOrderPartitioner，可以使我们来实现全局排序。

二次排序

•产生背景

•MapReduce默认会对key进行排序

•将输出到Reduce的values也进行预先的排序

•实现方式

•重写Partitioner，完成key分区，进行第一次排序

•实现WritableComparator，完成自己的排序逻辑，完成key的第2次排序

•原理

•Map之前的数据

key1 1

key2 2

key2 3

key3 4

key1 2

•Mapduce只能排序key,所以为了二次排序我们要重新定义自己的key 简单说来就是<key value> value ,组合完后

<key1 1 > 1

<key2 2 > 2

<key2 3 > 3

<key3 4> 4

<key1 2 > 2



•原理

•接下来实现自定义的排序类，分组类，数据变成

<key1 1 > 1

<key1 2 > 2

<key2 2 > 2

<key2 3 > 3

<key3 4> 4

•最后 reduce处理后输出结果

key1 1

key1 2

key2 2

key2 3

key3 4






第四部分：计数器

•什么是计数器

计数器主要用来收集系统信息和作业运行信息，用于知道作业成功、失败等情况，比日志更便利进行分析。

•内置计数器

•Hadoop内置的计数器，记录作业执行情况和记录情况。包括MapReduce框架、文件系统、作业计数三大类。

•计数器由关联任务维护，定期传递给tasktracker，再由tasktracker传给jobtracker。

•计数器可以被全局聚集。内置的作业计数器实际上由jobtracker维护，不必在整个网络中传递。

•当一个作业执行成功后，计数器的值才是完整可靠的。





用户自定义Java计数器

•MapReduce框架允许用户自定义计数器

•计数器是全局使用的

•计数器有组的概念，可以由一个Java枚举类型来定义

•如何配置

•0.20.2以下的版本使用Reporter,

•0.20.2以上的版本使用context.getCounter(groupName, counterName) 来获取计数器配置并设置。

•动态计数器

•所谓动态计数器即不采用Java枚举的方式来定义



•Reporter中的获取动态计数器的方法

•public void incrCounter(String group,String counter,long amount)

组名称，计数器名称，计数值



•一些原则

•创建计数器时，尽量让名称易读





•获取计数器

•Web UI

•命令行 hadoop job-counter

•Java API

•Java API

•在作业运行完成后，计数器稳定后获取。 使用job.getCounters()得到Counters






第五部分：合并小文件示例

•产生背景

•Hadoop不适合处理小文件

•会占用大量的内存空间

•解决方案

•文件内容读取到SequenceFile内