Hadoop 学习研究(六): hadoop中的排序操作(二次排序和全排序)

 Hadoop中的排序操作：

MapReduce框架对处理结果的输出会根据key值进行默认的排序，这个默认排序可以满足一部分需求，但是也是十分有限的。在我们实际的需求当中，往往有要对reduce输出结果进行各种类型的排序需求。

在Hadoop中常用的排序操作分为以下几类：

1. 自定义key值类型的键(实现WritableComparable接口)

2. 实现框架中的比较器(job.setSortComparatorClass(Class<? extends RawComparator))

3. 二次排序(实现自定义分区、自定义排序、自定义分组)

4. 全排序(TotalOrderPartitioner)

对于1、2的实现，实现WritableComparable接口，比较器需要继承RawComparator类或者WritableCompartor类。

主要讲解关于二次排序和全排序：
二次排序：
对于二次排序的实现，需要了解MapReduce中的数据结构和数据流，如下图：显示了影响数据结构和数据流的三个元素(分区、排序和分组)。

                     

分区是在Map输出收集过程中被调用的，且用于确定哪些reduce端应该接收map输出。RawComparator用于对各自分区中的map输出进行排序，且都被map和reduce端使用。最后RawComparator负责通过被排序的记录确定分组边界。

具体实现例子：

1、输入数据：

sort1    1

sort2    3

sort2    77

sort2    54

sort1    2

sort6    22

sort6    221

sort6    20

2、目标输出(每个key值对应一个文件part-r-0000X)

sort1 1,2

sort2 3,54,77

sort6 20,22,221

（1）Map端处理：

根据上面的需求，我们有一个非常明确的目标就是要对第一列相同的记录合并，并且对合并后的数字进行排序。我们都知道MapReduce框架不管是默认排序或者是自定义排序都只是对Key值进行排序，现在的情况是这些数据不是key值，怎么办？其实我们可以将原始数据的Key值和其对应的数据组合成一个新的Key值，然后新的Key值对应的还是之前的数字。那么我们就可以将原始数据的map输出变成类似下面的数据结构：

        {[sort1,1],1}
{[sort2,3],3}
{[sort2,77],77}
{[sort2,54],54}
{[sort1,2],2}
{[sort6,22],22}
{[sort6,221],221}
{[sort6,20],20}
那么我们只需要对[]里面的新key值进行排序就ok了。然后我们需要自定义一个分区处理器，因为我的目标不是想将新key相同的传到同一个reduce中，而是想将新key中的第一个字段相同的才放到同一个reduce中进行分组合并，所以我们需要根据新key值中的第一个字段来自定义一个分区处理器。通过分区操作后，得到的数据流如下：
Partition1:{[sort1,1],1}、{[sort1,2],2}
Partition2:{[sort2,3],3}、{[sort2,77],77}、{[sort2,54],54}
Partition3:{[sort6,22],22}、{[sort6,221],221}、{[sort6,20],20}

分区操作完成之后，我调用自己的自定义排序器对新的Key值进行排序。
{[sort1,1],1}
{[sort1,2],2}
{[sort2,3],3}
{[sort2,54],54}
{[sort2,77],77}
{[sort6,20],20}
{[sort6,22],22}
{[sort6,221],221}

（2）Reduce端处理：
经过Shuffle处理之后，数据传输到Reducer端了。在Reducer端对按照组合键的第一个字段来进行分组，并且没处理完一次分组之后就会调用一次reduce函数来对这个分组进行处理输出。最终的各个分组的数据结构变成类似下面的数据结构:
{sort1,[1,2]}
{sort2,[3,54,77]}
{sort6,[20,22,221]}

代码示例：

1、自定义组合键

package com.mr;
import java.io.
dff7
DataInput;
import java.io.DataOutput;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.WritableComparable;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
/**
* 自定义组合键
*/
public class CombinationKey implements WritableComparable<CombinationKey>{
private static final Logger logger = LoggerFactory.getLogger(CombinationKey.class);
private Text firstKey;
private IntWritable secondKey;
public CombinationKey() {
this.firstKey = new Text();
this.secondKey = new IntWritable();
}
public Text getFirstKey() {
return this.firstKey;
}
public void setFirstKey(Text firstKey) {
this.firstKey = firstKey;
}
public IntWritable getSecondKey() {
return this.secondKey;
}
public void setSecondKey(IntWritable secondKey) {
this.secondKey = secondKey;
}
@Override
public void readFields(DataInput dateInput) throws IOException {
// TODO Auto-generated method stub
this.firstKey.readFields(dateInput);
this.secondKey.readFields(dateInput);
}
@Override
public void write(DataOutput outPut) throws IOException {
this.firstKey.write(outPut);
this.secondKey.write(outPut);
}
/**
* 自定义比较策略
* 注意：该比较策略用于mapreduce的第一次默认排序，也就是发生在map阶段的sort小阶段，
* 发生地点为环形缓冲区(可以通过io.sort.mb进行大小调整)
*/
@Override
public int compareTo(CombinationKey combinationKey) {
logger.info("-------CombinationKey flag-------");
return this.firstKey.compareTo(combinationKey.getFirstKey());
}
}

说明：在自定义组合键的时候，需要特别注意，一定要实现WritableComparable接口，并且实现compareTo方法的比较策略。这个用于mapreduce的第一次默认排序，也就是发生在map阶段的sort小阶段，发生地点为环形缓冲区(可以通过io.sort.mb进行大小调整)，但是其对我们最终的二次排序结果是没有影响的。我们二次排序的最终结果是由我们的自定义比较器决定的。

2、自定义分区器

package com.mr;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.mapreduce.Partitioner;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
/**
* 自定义分区
*/
public class DefinedPartition extends Partitioner<CombinationKey,IntWritable>{
private static final Logger logger = LoggerFactory.getLogger(DefinedPartition.class);
/**
*  数据输入来源：map输出
* @param key map输出键值
* @param value map输出value值
* @param numPartitions 分区总数，即reduce task个数
*/
@Override
public int getPartition(CombinationKey key, IntWritable value,int numPartitions) {
logger.info("--------enter DefinedPartition flag--------");
/**
* 注意：这里采用默认的hash分区实现方法
* 根据组合键的第一个值作为分区
* 这里需要说明一下，如果不自定义分区的话，mapreduce框架会根据默认的hash分区方法，
* 将整个组合将相等的分到一个分区中，这样的话显然不是我们要的效果
*/
logger.info("--------out DefinedPartition flag--------");
return (key.getFirstKey().hashCode()&Integer.MAX_VALUE)%numPartitions;
}
}

说明：具体说明看代码注释。

3、自定义比较器

package com.mr;
import org.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.io.WritableComparator;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
/**
* 自定义二次排序策略
*/
public class DefinedComparator extends WritableComparator {
private static final Logger logger = LoggerFactory.getLogger(DefinedComparator.class);
public DefinedComparator() {
super(CombinationKey.class,true);
}
@Override
public int compare(WritableComparable combinationKeyOne,
WritableComparable CombinationKeyOther) {
logger.info("---------enter DefinedComparator flag---------");

CombinationKey c1 = (CombinationKey) combinationKeyOne;
CombinationKey c2 = (CombinationKey) CombinationKeyOther;

/**
* 确保进行排序的数据在同一个区内，如果不在同一个区则按照组合键中第一个键排序
* 另外，这个判断是可以调整最终输出的组合键第一个值的排序
* 下面这种比较对第一个字段的排序是升序的，如果想降序这将c1和c2倒过来（假设1）
*/
if(!c1.getFirstKey().equals(c2.getFirstKey())){
logger.info("---------out DefinedComparator flag---------");
return c1.getFirstKey().compareTo(c2.getFirstKey());
}
else{//按照组合键的第二个键的升序排序，将c1和c2倒过来则是按照数字的降序排序(假设2)
logger.info("---------out DefinedComparator flag---------");
return c1.getSecondKey().get()-c2.getSecondKey().get();//0,负数,正数
}
/**
* （1）按照上面的这种实现最终的二次排序结果为：
* sort1    1,2
* sort2    3,54,77
* sort6    20,22,221
* （2）如果实现假设1，则最终的二次排序结果为:
* sort6    20,22,221
* sort2    3,54,77
* sort1    1,2
* （3）如果实现假设2，则最终的二次排序结果为:
* sort1    2,1
* sort2    77,54,3
* sort6    221,22,20
*/
}
}

说明：自定义比较器决定了我们二次排序的结果。自定义比较器需要继承WritableComparator类或者RawComparator类，并且重写compare方法实现自己的比较策略。

全排序(TotalOrderPartitioner)：

我们知道MapReduce计算框架在feed数据给reducer之前会对map output key排序，这种排序机制保证了每一个reducer局部有序，Hadoop 默认的partitioner是HashPartitioner，它依赖于output
key的hashcode，使得相同key会去相同reducer，但是不保证全局有序(不同partition之间无序)，如果想要获得全局排序结果（比如获取全局统计量，日志重复、缺失、总数等），就需要用到TotalOrderPartitioner了，它保证了相同key去相同reducer的同时也保证了全局有序。

在TotalOrderPartitioner中，我们可以看到      TotalOrderPartitioner依赖于一个partition
file来进行distribute keys, partition file是一个实现计算好的sequence file, 如果我们设置的reduce num=N, 那么这个文件包含(N-1)个key分割点，并且是基于key comparator排好序的。TotalOrderPartitioner会检查每一个key属于哪一个reducer的范围内，然后决定分发给哪一个reducer。

在实现全排序中需要用到采样器：InputSampler， InputSampler类的writePartitionFile方法会对input files取样并创建partition file。有三种取样方法：
1. RandomSampler  随机取样

2. IntervalSampler  从s个split里面按照一定间隔取样，通常适用于有序数据

3. SplitSampler  从s个split中选取前n条记录取样

在采样器  .writePartitionFile()  源码中我们可以看到

public static <K,V> void writePartitionFile(Job job, Sampler<K,V> sampler)
throws IOException, ClassNotFoundException, InterruptedException {
Configuration conf = job.getConfiguration();
final InputFormat inf =
ReflectionUtils.newInstance(job.getInputFormatClass(), conf);  //反射获取输入格式类
int numPartitions = job.getNumReduceTasks();                  //获取reduce num个数
K[] samples = (K[])sampler.getSample(inf, job);              //进行数据抽样
LOG.info("Using " + samples.length + " samples");
RawComparator<K> comparator =
(RawComparator<K>) job.getSortComparator();
Arrays.sort(samples, comparator);                           //对抽样的数据进行排序
Path dst = new Path(TotalOrderPartitioner.getPartitionFile(conf));
FileSystem fs = dst.getFileSystem(conf);
if (fs.exists(dst)) {
fs.delete(dst, false);
}
SequenceFile.Writer writer = SequenceFile.createWriter(fs,
conf, dst, job.getMapOutputKeyClass(), NullWritable.class);
NullWritable nullValue = NullWritable.get();
float stepSize = samples.length / (float) numPartitions;        //产生分区边界写入SequenceFile中
int last = -1;
for(int i = 1; i < numPartitions; ++i) {
int k = Math.round(stepSize * i);
while (last >= k && comparator.compare(samples[last], samples[k]) == 0) {
++k;
}
writer.append(samples[k], nullValue);
last = k;
}
writer.close();
}

可以看到采样器在进行采样的时候，会调用输入InputFormat类，所以在进行全排序的时候需要自定义输入InputFormat，使得MapReduce计算框架中的Map输出的KV的逻辑写在自定义的RecordReader的nextkv函数中，以保证采样器用来采样并排序的数据是Map端的输出数据格式。

在Hadoop中利用InputSampler实现生成 全排序分区边界 文件的步骤：
 1. 对待排序的数据进行抽样：(抽样时必须保证 抽样的输入==Map的输出)
 2. 对抽样的数据进行排序，产生区间边界。(例如：pivot：3, 9 ,11)
 3. Map端数据的输出，通过Partitioner来计算该数据KV处于哪个pivot之间，之后将数据相应的分成对应的分区。
    (例如区间的划分： <3, [3,9) , >=9 ,分别对应Reduce0，Reduce1，Reduce2)

使用TotalOrderPartitioner的驱动配置如下：

InputSampler.Sampler<key_Own, val_Own> sampler = new InputSampler.RandomSampler<key_Own,val_Own>(0.1,10000,30);
TotalOrderPartitioner.setPartitionFile(conf, path);
job.setInputFormatClass(OwnInputFormat.class);
job.setPartitionerClass(TotalOrderPartitioner.class);
job.setNumReduceTasks(3);
job.set.........//job任务的一些其他设置：如MapOutputKeyClass等

InputSampler.writePartitionFile(job, sampler);   //启动采样并写入分区文件中，
在此伪代码中不需要提交运行job

使用TotalOrderPartitioner全排序的最大好处就是可以有效地避免出现数据倾斜的任务。
在工作中遇到需要对30G+的日志文件进行统计(日志总数、遗漏数、重复数、服务器重启次数)。在不使用TotalOrderPartitioner进行分区时，使用默认Hash分区，发现数据出现了倾斜，(即在某一个分区中存在大量的数据，使得这个分区的运行时间大大超过其他分区)，使这个分区成为了拖延整个job任务的执行。(运行完成时间30min)。 
       在使用了TotalOrderPartitioner进行全排序过后，整个job任务的分区负载均衡，完成时间为：数据抽样时间(3min)+运算时间(10min)。
   大大提高了负载均衡和运算的效率，减小了数据倾斜的情况。