Hadoop二次排序及MapReduce处理流程实例详解

一、概述

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输出结果进行二次排序的需求。对于二次排序的实现，网络上已经有很多人分享过了，但是对二次排序的实现原理及整个MapReduce框架的处理流程的分析还是有非常大的出入，而且部分分析是没有经过验证的。本文将通过一个实际的MapReduce二次排序的例子，讲述二次排序的实现和其MapReduce的整个处理流程，并且通过结果和Map、Reduce端的日志来验证描述的处理流程的正确性。

二、需求描述

1.输入数据

[java] view
plain copy

sort1 1

sort2 3

sort2 88

sort2 54

sort1 2

sort6 22

sort6 888

sort6 58

2.目标输出

[java] view
plain copy

sort1 1,2

sort2 3,54,88

sort6 22,58,888

三、解决思路

1.首先，在思考解决问题思路时，我们应该先深刻的理解MapReduce处理数据的整个流程，这是最基础的，不然的话是不可能找到解决问题的思路的。我描述一下MapReduce处理数据的大概流程：首先，MapReduce框架通过getSplits()方法实现对原始文件的切片之后，每一个切片对应着一个MapTask，InputSplit输入到map()函数进行处理，中间结果经过环形缓冲区的排序，然后分区、自定义二次排序(如果有的话)和合并，再通过Shuffle操作将数据传输到reduce
Task端，reduce端也存在着缓冲区，数据也会在缓冲区和磁盘中进行合并排序等操作，然后对数据按照key值进行分组，然后每处理完一个分组之后就会去调用一次reduce()函数，最终输出结果。大概流程 我画了一下，如下图：



2.具体解决思路

(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，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value还是原始数据中的valu。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：

[java] view
plain copy

{[sort1,1],1}

{[sort2,3],3}

{[sort2,88],88}

{[sort2,54],54}

{[sort1,2],2}

{[sort6,22],22}

{[sort6,888],888}

{[sort6,58],58}

那么我们只需要对[]里面的心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相同的记录传到一个reduce中，而是想将新key中第一个字段相同的记录放到同一个reduce中进行分组合并，所以我们需要根据新key值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：

[java] view
plain copy

Partition1：{[sort1,1],1}、{[sort1,2],2}

Partition2：{[sort2,3],3}、{[sort2,88],88}、{[sort2,54],54}

Partition3：{[sort6,22],22}、{[sort6,888],888}、{[sort6,58],58}

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。

[java] view
plain copy

{[sort1,1],1}

{[sort1,2],2}

{[sort2,3],3}

{[sort2,54],54}

{[sort2,88],88}

{[sort6,22],22}

{[sort6,58],58}

{[sort6,888],888}

(2).Reduce端处理

经过Shuffle处理之后，数据传输到Reducer端了。在Reducer端按照组合键的第一个字段进行分组，并且每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和输出。最终各个分组的数据结果变成类似下面的数据结构：

[java] view
plain copy

sort1 1,2

sort2 3,54,88

sort6 22,58,888

四、具体实现

1.自定义组合键

[java] view
plain copy

public class CombinationKey implements WritableComparable<CombinationKey>{

private Text firstKey;

private IntWritable secondKey;

//无参构造函数

public CombinationKey() {

this.firstKey = new Text();

this.secondKey = new IntWritable();

}

//有参构造函数

public CombinationKey(Text firstKey, IntWritable secondKey) {

this.firstKey = firstKey;

this.secondKey = secondKey;

}

public Text getFirstKey() {

return firstKey;

}

public void setFirstKey(Text firstKey) {

this.firstKey = firstKey;

}

public IntWritable getSecondKey() {

return secondKey;

}

public void setSecondKey(IntWritable secondKey) {

this.secondKey = secondKey;

}

public void write(DataOutput out) throws IOException {

this.firstKey.write(out);

this.secondKey.write(out);

}

public void readFields(DataInput in) throws IOException {

this.firstKey.readFields(in);

this.secondKey.readFields(in);

}

/*public int compareTo(CombinationKey combinationKey) {

int minus = this.getFirstKey().compareTo(combinationKey.getFirstKey());

if (minus != 0){

return minus;

}

return this.getSecondKey().get() - combinationKey.getSecondKey().get();

}*/

/**

* 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端的sort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)

*/

public int compareTo(CombinationKey combinationKey) {

System.out.println("------------------------CombineKey flag-------------------");

return this.firstKey.compareTo(combinationKey.getFirstKey());

}

@Override

public int hashCode() {

final int prime = 31;

int result = 1;

result = prime * result + ((firstKey == null) ? 0 : firstKey.hashCode());

return result;

}

@Override

public boolean equals(Object obj) {

if (this == obj)

return true;

if (obj == null)

return false;

if (getClass() != obj.getClass())

return false;

CombinationKey other = (CombinationKey) obj;

if (firstKey == null) {

if (other.firstKey != null)

return false;

} else if (!firstKey.equals(other.firstKey))

return false;

return true;

}

}

说明：在自定义组合键的时候，我们需要特别注意，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

[java] view
plain copy

/**

* 自定义分区

* @author 廖钟*民

* time : 2015年1月19日下午12:13:54

* @version

*/

public class DefinedPartition extends Partitioner<CombinationKey, IntWritable>{

/**

* 数据输入来源：map输出 我们这里根据组合键的第一个值作为分区

* 如果不自定义分区的话，MapReduce会根据默认的Hash分区方法

* 将整个组合键相等的分到一个分区中，这样的话显然不是我们要的效果

* @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

*/

public int getPartition(CombinationKey key, IntWritable value, int numPartitions) {

System.out.println("---------------------进入自定义分区---------------------");

System.out.println("---------------------结束自定义分区---------------------");

return (key.getFirstKey().hashCode() & Integer.MAX_VALUE) % numPartitions;

}

}

3.自定义比较器

[java] view
plain copy

public class DefinedComparator extends WritableComparator{

protected DefinedComparator() {

super(CombinationKey.class,true);

}

/**

* 第一列按升序排列，第二列也按升序排列

*/

public int compare(WritableComparable a, WritableComparable b) {

System.out.println("------------------进入二次排序-------------------");

CombinationKey c1 = (CombinationKey) a;

CombinationKey c2 = (CombinationKey) b;

int minus = c1.getFirstKey().compareTo(c2.getFirstKey());

if (minus != 0){

System.out.println("------------------结束二次排序-------------------");

return minus;

} else {

System.out.println("------------------结束二次排序-------------------");

return c1.getSecondKey().get() -c2.getSecondKey().get();

}

}

}

4.自定义分组

[java] view
plain copy

/**

* 自定义分组有中方式，一种是继承WritableComparator

* 另外一种是实现RawComparator接口

* @author 廖*民

* time : 2015年1月19日下午3:30:11

* @version

*/

public class DefinedGroupSort extends WritableComparator{

protected DefinedGroupSort() {

super(CombinationKey.class,true);

}

@Override

public int compare(WritableComparable a, WritableComparable b) {

System.out.println("---------------------进入自定义分组---------------------");

CombinationKey combinationKey1 = (CombinationKey) a;

CombinationKey combinationKey2 = (CombinationKey) b;

System.out.println("---------------------分组结果：" + combinationKey1.getFirstKey().compareTo(combinationKey2.getFirstKey()));

System.out.println("---------------------结束自定义分组---------------------");

//自定义按原始数据中第一个key分组

return combinationKey1.getFirstKey().compareTo(combinationKey2.getFirstKey());

}

}

5.主体程序实现

[java] view
plain copy

public class SecondSortMapReduce {

// 定义输入路径

private static final String INPUT_PATH = "hdfs://liaozhongmin:9000/sort_data";

// 定义输出路径

private static final String OUT_PATH = "hdfs://liaozhongmin:9000/out";

public static void main(String[] args) {

try {

// 创建配置信息

Configuration conf = new Configuration();

conf.set(KeyValueLineRecordReader.KEY_VALUE_SEPERATOR, "\t");

// 创建文件系统

FileSystem fileSystem = FileSystem.get(new URI(OUT_PATH), conf);

// 如果输出目录存在，我们就删除

if (fileSystem.exists(new Path(OUT_PATH))) {

fileSystem.delete(new Path(OUT_PATH), true);

}

// 创建任务

Job job = new Job(conf, SecondSortMapReduce.class.getName());

//1.1 设置输入目录和设置输入数据格式化的类

FileInputFormat.setInputPaths(job, INPUT_PATH);

job.setInputFormatClass(KeyValueTextInputFormat.class);

//1.2 设置自定义Mapper类和设置map函数输出数据的key和value的类型

job.setMapperClass(SecondSortMapper.class);

job.setMapOutputKeyClass(CombinationKey.class);

job.setMapOutputValueClass(IntWritable.class);

//1.3 设置分区和reduce数量(reduce的数量，和分区的数量对应，因为分区为一个，所以reduce的数量也是一个)

job.setPartitionerClass(DefinedPartition.class);

job.setNumReduceTasks(1);

//设置自定义分组策略

job.setGroupingComparatorClass(DefinedGroupSort.class);

//设置自定义比较策略(因为我的CombineKey重写了compareTo方法，所以这个可以省略)

job.setSortComparatorClass(DefinedComparator.class);

//1.4 排序

//1.5 归约

//2.1 Shuffle把数据从Map端拷贝到Reduce端。

//2.2 指定Reducer类和输出key和value的类型

job.setReducerClass(SecondSortReducer.class);

job.setOutputKeyClass(Text.class);

job.setOutputValueClass(Text.class);

//2.3 指定输出的路径和设置输出的格式化类

FileOutputFormat.setOutputPath(job, new Path(OUT_PATH));

job.setOutputFormatClass(TextOutputFormat.class);

// 提交作业 退出

System.exit(job.waitForCompletion(true) ? 0 : 1);

} catch (Exception e) {

e.printStackTrace();

}

}

public static class SecondSortMapper extends Mapper<Text, Text, CombinationKey, IntWritable>{

/**

* 这里要特殊说明一下，为什么要将这些变量写在map函数外边

* 对于分布式的程序，我们一定要注意到内存的使用情况，对于MapReduce框架

* 每一行的原始记录的处理都要调用一次map()函数，假设，这个map()函数要处理1一亿

* 条输入记录，如果将这些变量都定义在map函数里面则会导致这4个变量的对象句柄

* 非常的多(极端情况下将产生4*1亿个句柄，当然java也是有自动的GC机制的，一定不会达到这么多)

* 导致栈内存被浪费掉，我们将其写在map函数外面，顶多就只有4个对象句柄

*/

private CombinationKey combinationKey = new CombinationKey();

Text sortName = new Text();

IntWritable score = new IntWritable();

String[] splits = null;

protected void map(Text key, Text value, Mapper<Text, Text, CombinationKey, IntWritable>.Context context) throws IOException, InterruptedException {

System.out.println("---------------------进入map()函数---------------------");

//过滤非法记录(这里用计数器比较好)

if (key == null || value == null || key.toString().equals("")){

return;

}

//构造相关属性

sortName.set(key.toString());

score.set(Integer.parseInt(value.toString()));

//设置联合key

combinationKey.setFirstKey(sortName);

combinationKey.setSecondKey(score);

//通过context把map处理后的结果输出

context.write(combinationKey, score);

System.out.println("---------------------结束map()函数---------------------");

}

}

public static class SecondSortReducer extends Reducer<CombinationKey, IntWritable, Text, Text>{

StringBuffer sb = new StringBuffer();

Text score = new Text();

/**

* 这里要注意一下reduce的调用时机和次数：

* reduce每次处理一个分组的时候会调用一次reduce函数。

* 所谓的分组就是将相同的key对应的value放在一个集合中

* 例如：<sort1,1> <sort1,2>

* 分组后的结果就是

* <sort1,{1,2}>这个分组会调用一次reduce函数

*/

protected void reduce(CombinationKey key, Iterable<IntWritable> values, Reducer<CombinationKey, IntWritable, Text, Text>.Context context)

throws IOException, InterruptedException {

//先清除上一个组的数据

sb.delete(0, sb.length());

for (IntWritable val : values){

sb.append(val.get() + ",");

}

//取出最后一个逗号

if (sb.length() > 0){

sb.deleteCharAt(sb.length() - 1);

}

//设置写出去的value

score.set(sb.toString());

//将联合Key的第一个元素作为新的key，将score作为value写出去

context.write(key.getFirstKey(), score);

System.out.println("---------------------进入reduce()函数---------------------");

System.out.println("---------------------{[" + key.getFirstKey()+"," + key.getSecondKey() + "],[" +score +"]}");

System.out.println("---------------------结束reduce()函数---------------------");

}

}

}

程序运行的结果：



五、处理流程

看到前面的代码，都知道我在各个组件上已经设置好了相应的标志，用于追踪整个MapReduce处理二次排序的处理流程。现在让我们分别看看Map端和Reduce端的日志情况。

(1)Map端日志分析

[java] view
plain copy

15/01/19 15:32:29 INFO input.FileInputFormat: Total input paths to process : 1

15/01/19 15:32:29 WARN snappy.LoadSnappy: Snappy native library not loaded

15/01/19 15:32:30 INFO mapred.JobClient: Running job: job_local_0001

15/01/19 15:32:30 INFO mapred.Task: Using ResourceCalculatorPlugin : null

15/01/19 15:32:30 INFO mapred.MapTask: io.sort.mb = 100

15/01/19 15:32:30 INFO mapred.MapTask: data buffer = 79691776/99614720

15/01/19 15:32:30 INFO mapred.MapTask: record buffer = 262144/327680

---------------------进入map()函数---------------------

---------------------进入自定义分区---------------------

---------------------结束自定义分区---------------------

---------------------结束map()函数---------------------

---------------------进入map()函数---------------------

---------------------进入自定义分区---------------------

---------------------结束自定义分区---------------------

---------------------结束map()函数---------------------

---------------------进入map()函数---------------------

---------------------进入自定义分区---------------------

---------------------结束自定义分区---------------------

---------------------结束map()函数---------------------

---------------------进入map()函数---------------------

---------------------进入自定义分区---------------------

---------------------结束自定义分区---------------------

---------------------结束map()函数---------------------

---------------------进入map()函数---------------------

---------------------进入自定义分区---------------------

---------------------结束自定义分区---------------------

---------------------结束map()函数---------------------

---------------------进入map()函数---------------------

---------------------进入自定义分区---------------------

---------------------结束自定义分区---------------------

---------------------结束map()函数---------------------

---------------------进入map()函数---------------------

---------------------进入自定义分区---------------------

---------------------结束自定义分区---------------------

---------------------结束map()函数---------------------

---------------------进入map()函数---------------------

---------------------进入自定义分区---------------------

---------------------结束自定义分区---------------------

---------------------结束map()函数---------------------

15/01/19 15:32:30 INFO mapred.MapTask: Starting flush of map output

------------------进入二次排序-------------------

------------------结束二次排序-------------------

------------------进入二次排序-------------------

------------------结束二次排序-------------------

------------------进入二次排序-------------------

------------------结束二次排序-------------------

------------------进入二次排序-------------------

------------------结束二次排序-------------------

------------------进入二次排序-------------------

------------------结束二次排序-------------------

------------------进入二次排序-------------------

------------------结束二次排序-------------------

------------------进入二次排序-------------------

------------------结束二次排序-------------------

------------------进入二次排序-------------------

------------------结束二次排序-------------------

------------------进入二次排序-------------------

------------------结束二次排序-------------------

------------------进入二次排序-------------------

------------------结束二次排序-------------------

------------------进入二次排序-------------------

------------------结束二次排序-------------------

------------------进入二次排序-------------------

------------------结束二次排序-------------------

15/01/19 15:32:30 INFO mapred.MapTask: Finished spill 0

15/01/19 15:32:30 INFO mapred.Task: Task:attempt_local_0001_m_000000_0 is done. And is in the process of commiting

15/01/19 15:32:30 INFO mapred.LocalJobRunner:

15/01/19 15:32:30 INFO mapred.Task: Task 'attempt_local_0001_m_000000_0' done.

15/01/19 15:32:30 INFO mapred.Task: Using ResourceCalculatorPlugin : null

15/01/19 15:32:30 INFO mapred.LocalJobRunner:

从Map端的日志，我们可以很容易的看出来每一条记录开始时进入到map()函数进行处理，处理完了之后立马就自定义分区函数中对其进行分区，当所有输入数据经过map()函数和分区函数处理之后，就调用自定义二次排序函数对其进行排序。

(2)Reduce端日志分析

[java] view
plain copy

15/01/19 15:32:30 INFO mapred.Merger: Merging 1 sorted segments

15/01/19 15:32:30 INFO mapred.Merger: Down to the last merge-pass, with 1 segments left of total size: 130 bytes

15/01/19 15:32:30 INFO mapred.LocalJobRunner:

---------------------进入自定义分组---------------------

---------------------分组结果：0

---------------------结束自定义分组---------------------

---------------------进入自定义分组---------------------

---------------------分组结果：-1

---------------------结束自定义分组---------------------

---------------------进入reduce()函数---------------------

---------------------{[sort1,2],[1,2]}

---------------------结束reduce()函数---------------------

---------------------进入自定义分组---------------------

---------------------分组结果：0

---------------------结束自定义分组---------------------

---------------------进入自定义分组---------------------

---------------------分组结果：0

---------------------结束自定义分组---------------------

---------------------进入自定义分组---------------------

---------------------分组结果：-4

---------------------结束自定义分组---------------------

---------------------进入reduce()函数---------------------

---------------------{[sort2,88],[3,54,88]}

---------------------结束reduce()函数---------------------

---------------------进入自定义分组---------------------

---------------------分组结果：0

---------------------结束自定义分组---------------------

---------------------进入自定义分组---------------------

---------------------分组结果：0

---------------------结束自定义分组---------------------

---------------------进入reduce()函数---------------------

---------------------{[sort6,888],[22,58,888]}

---------------------结束reduce()函数---------------------

15/01/19 15:32:30 INFO mapred.Task: Task:attempt_local_0001_r_000000_0 is done. And is in the process of commiting

15/01/19 15:32:30 INFO mapred.LocalJobRunner:

15/01/19 15:32:30 INFO mapred.Task: Task attempt_local_0001_r_000000_0 is allowed to commit now

15/01/19 15:32:30 INFO output.FileOutputCommitter: Saved output of task 'attempt_local_0001_r_000000_0' to hdfs://liaozhongmin:9000/out

15/01/19 15:32:30 INFO mapred.LocalJobRunner: reduce > reduce

15/01/19 15:32:30 INFO mapred.Task: Task 'attempt_local_0001_r_000000_0' done.

15/01/19 15:32:31 INFO mapred.JobClient: map 100% reduce 100%

15/01/19 15:32:31 INFO mapred.JobClient: Job complete: job_local_0001

15/01/19 15:32:31 INFO mapred.JobClient: Counters: 19

15/01/19 15:32:31 INFO mapred.JobClient: File Output Format Counters

15/01/19 15:32:31 INFO mapred.JobClient: Bytes Written=40

15/01/19 15:32:31 INFO mapred.JobClient: FileSystemCounters

15/01/19 15:32:31 INFO mapred.JobClient: FILE_BYTES_READ=446

15/01/19 15:32:31 INFO mapred.JobClient: HDFS_BYTES_READ=140

15/01/19 15:32:31 INFO mapred.JobClient: FILE_BYTES_WRITTEN=131394

15/01/19 15:32:31 INFO mapred.JobClient: HDFS_BYTES_WRITTEN=40

15/01/19 15:32:31 INFO mapred.JobClient: File Input Format Counters

15/01/19 15:32:31 INFO mapred.JobClient: Bytes Read=70

15/01/19 15:32:31 INFO mapred.JobClient: Map-Reduce Framework

15/01/19 15:32:31 INFO mapred.JobClient: Reduce input groups=3

15/01/19 15:32:31 INFO mapred.JobClient: Map output materialized bytes=134

15/01/19 15:32:31 INFO mapred.JobClient: Combine output records=0

15/01/19 15:32:31 INFO mapred.JobClient: Map input records=8

15/01/19 15:32:31 INFO mapred.JobClient: Reduce shuffle bytes=0

15/01/19 15:32:31 INFO mapred.JobClient: Reduce output records=3

15/01/19 15:32:31 INFO mapred.JobClient: Spilled Records=16

15/01/19 15:32:31 INFO mapred.JobClient: Map output bytes=112

15/01/19 15:32:31 INFO mapred.JobClient: Total committed heap usage (bytes)=391118848

15/01/19 15:32:31 INFO mapred.JobClient: Combine input records=0

15/01/19 15:32:31 INFO mapred.JobClient: Map output records=8

15/01/19 15:32:31 INFO mapred.JobClient: SPLIT_RAW_BYTES=99

15/01/19 15:32:31 INFO mapred.JobClient: Reduce input records=8

首先，我们看了Reduce端的日志，第一个信息我应该很容易能够很容易看出来，就是分组和reduce()函数处理都是在Shuffle完成之后才进行的。另外一点我们也非常容易看出，就是每次处理完一个分组数据就会去调用一次的reduce()函数对这个分组进行处理和输出。此外，说明一些分组函数的返回值问题，当返回0时才会被分到同一个组中。另外一点我们也可以看出来，一个分组中每合并n个值就会有n-1分组函数返回0值，也就是说进行了n-1次比较。

六、总结

本文主要从MapReduce框架执行的流程，去分析了如何去实现二次排序，通过代码进行了实现，并且对整个流程进行了验证。另外，要吐槽一下，网络上有很多文章都记录了MapReudce处理二次排序问题，但是对MapReduce框架整个处理流程的描述错漏很多，而且他们最终的流程描述也没有证据可以支撑。所以，对于网络上的学习资源不能够完全依赖，要融入自己的思想，并且要重要的观点进行代码或者实践的验证。另外，今天在一个hadoop交流群上听到少部分人在讨论，有了hive我们就不用学习些MapReduce程序？对这这个问题我是这么认为：我不相信写不好MapReduce程序的程序员会写好hive语句，最起码的他们对整个执行流程是一无所知的，更不用说性能问题了，有可能连最常见的数据倾斜问题的弄不清楚。

转自：http://blog.csdn.net/lzm1340458776/article/details/42875751