三种方法实现Hadoop(MapReduce)全局排序(1)

Size: px

Start display at page:

Download "三种方法实现Hadoop(MapReduce)全局排序(1)"

侔溥通
5 years ago
Views:

1 三种方法实现 Hadoop(MapReduce) 全局排序 () 三种方法实现 Hadoop(MapReduce) 全局排序 () 我们可能会有些需求要求 MapReduce 的输出全局有序, 这里说的有序是指 Key 全局有序但是我们知道,MapReduce 默认只是保证同一个分区内的 Key 是有序的, 但是不保证全局有序基于此, 本文提供三种方法来对 MapReduce 的输出进行全局排序生成测试数据在介绍如何实现之前, 我们先来生成一些测试数据, 实现如下 : #!/bin/sh for i in {..;do echo $RANDOM done; 将上面的代码保存到 iteblog.sh 的文件里面, 然后运行 : $ sh iteblog.sh > data $ sh iteblog.sh > data2 $ hadoop fs -put data /user/iteblog/input $ hadoop fs -put data2 /user/iteblog/input $RANDOM 变量是 Shell 内置的, 使用它能够生成五位内的随机正整数上面我们一共运行了两次, 这样我们就有两份随机数文件 data 和 data2; 最后我们把生成的随机数文件上传到 HDFS 上现在我们可以来写程序对这两个文件里面的数据进行排序了使用一个 Reduce 进行排序前面我们说了,MapReduce 默认只是保证同一个分区内的 Key 是有序的, 但是不保证全局有序如果我们将所有的数据全部发送到一个 Reduce, 那么不就可以实现结果全局有序吗? 这种方法实现很简单, 如下 : package com.iteblog.mapreduce.sort; import org.apache.hadoop.conf.configured; import org.apache.hadoop.fs.path; / 9

2 三种方法实现 Hadoop(MapReduce) 全局排序 () import org.apache.hadoop.io.intwritable; import org.apache.hadoop.io.longwritable; import org.apache.hadoop.io.nullwritable; import org.apache.hadoop.io.text; import org.apache.hadoop.mapreduce.job; import org.apache.hadoop.mapreduce.mapper; import org.apache.hadoop.mapreduce.reducer; import org.apache.hadoop.mapreduce.lib.input.fileinputformat; import org.apache.hadoop.mapreduce.lib.output.fileoutputformat; import org.apache.hadoop.util.tool; import org.apache.hadoop.util.toolrunner; import java.io.ioexception; public class TotalSortV extends Configured implements Tool { static class SimpleMapper extends Mapper<LongWritable, Text, IntWritable, IntWritable> { protected void map(longwritable key, Text value, Context context) throws IOException, InterruptedException { IntWritable intwritable = new IntWritable(Integer.parseInt(value.toString())); context.write(intwritable, intwritable); static class SimpleReducer extends Reducer<IntWritable, IntWritable, IntWritable, NullWritable> { protected void reduce(intwritable key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException { for (IntWritable value : values) context.write(value, NullWritable.get()); public int run(string[] args) throws Exception { if (args.length!= 2) { System.err.println("<input> <output>"); System.exit(27); Job job = Job.getInstance(getConf()); job.setjarbyclass(totalsortv.class); FileInputFormat.addInputPath(job, new Path(args[])); FileOutputFormat.setOutputPath(job, new Path(args[])); 2 / 9

3 三种方法实现 Hadoop(MapReduce) 全局排序 () job.setmapperclass(simplemapper.class); job.setreducerclass(simplereducer.class); job.setmapoutputkeyclass(intwritable.class); job.setmapoutputvalueclass(intwritable.class); job.setoutputkeyclass(intwritable.class); job.setoutputvalueclass(nullwritable.class); job.setnumreducetasks(); job.setjobname("totalsort"); return job.waitforcompletion(true)? : ; public static void main(string[] args) throws Exception { int exitcode = ToolRunner.run(new TotalSort(), args); System.exit(exitCode); 上面程序的实现很简单, 我们直接使用 TextInputFormat 类来读取上面生成的随机数文件 (data 和 data2) 因为文件里面的数据是正整数, 所以我们在 SimpleMapper 类里面直接将 value 转换成 int 类型, 然后赋值给 IntWritable 等数据到 SimpleReducer 的时候, 同一个 Reduce 里面的 Key 已经全部有序 ; 因为我们设置了一个 Reduce 作业, 这样的话, 我们就实现了数据全局有序运行如下 : [iteblog@ /home/iteblog]$ hadoop jar totalsort-..jar com.iteblog.mapreduce.sort.totalsortv /user/iteblog/input /user/iteblog/output [iteblog@ /home/iteblog]$ hadoop fs -ls /user/iteblog/output Found 2 items -rw-r--r-- 3 iteblog supergroup :4 /user/iteblog/output/_success -rw-r--r-- 3 iteblog supergroup :4 /user/iteblog/output/part-r- [iteblog@ /home/iteblog]$ hadoop fs -cat /user/iteblog/output/partr- head -n 3 / 9

4 三种方法实现 Hadoop(MapReduce) 全局排序 () /home/iteblog]$ hadoop fs -cat /user/iteblog/output/partr- tail -n 从上面的测试结果也可以看出, 我们只生成了一个数据文件, 而且这个文件里面的数据已经全局有序了自定义分区函数实现全局有序上面实现数据全局有序有个很大的局限性 : 所有的数据都发送到一个 Reduce 进行排序, 这样不能充分利用集群的计算资源, 而且在数据量很大的情况下, 很有可能会出现 OOM 问题我们分析一下,MapReduce 默认的分区函数是 HashPartitioner, 其实现的原理是计算 map 输出 key 的 hashcode, 然后对 Reduce 个数求模, 这样只要求模结果一样的 Key 都会发送到同一个 Reduce 如果我们能够实现一个分区函数, 使得所有 Key 所有其余的 Key 都发送到 Reduce 2; 这就实现了 Reduce 的数据一定全部小于 Reduce, 且 Reduce 的数据全部小于 Reduce 2, 再加上同一个 Reduce 里面的数据局部有序, 这样就实现了数据的全局有序实现如下 : package com.iteblog.mapreduce.sort; import com.iteblog.mapreduce.secondsort.intpair; import org.apache.hadoop.conf.configured; import org.apache.hadoop.fs.path; import org.apache.hadoop.io.intwritable; import org.apache.hadoop.io.longwritable; import org.apache.hadoop.io.nullwritable; 4 / 9

5 三种方法实现 Hadoop(MapReduce) 全局排序 () import org.apache.hadoop.io.text; import org.apache.hadoop.mapreduce.job; import org.apache.hadoop.mapreduce.mapper; import org.apache.hadoop.mapreduce.partitioner; import org.apache.hadoop.mapreduce.reducer; import org.apache.hadoop.mapreduce.lib.input.fileinputformat; import org.apache.hadoop.mapreduce.lib.output.fileoutputformat; import org.apache.hadoop.util.tool; import org.apache.hadoop.util.toolrunner; import java.io.ioexception; public class TotalSortV2 extends Configured implements Tool { static class SimpleMapper extends Mapper<LongWritable, Text, IntWritable, IntWritable> { protected void map(longwritable key, Text value, Context context) throws IOException, InterruptedException { IntWritable intwritable = new IntWritable(Integer.parseInt(value.toString())); context.write(intwritable, intwritable); static class SimpleReducer extends Reducer<IntWritable, IntWritable, IntWritable, NullWrita ble> { protected void reduce(intwritable key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException { for (IntWritable value : values) context.write(value, NullWritable.get()); public static class IteblogPartitioner extends Partitioner<IntWritable, IntWritable> { public int getpartition(intwritable key, IntWritable value, int numpartitions) { int keyint = Integer.parseInt(key.toString()); if (keyint < ) { return ; else if (keyint < 2) { return ; else { return 2; 5 / 9

6 三种方法实现 Hadoop(MapReduce) 全局排序 () public int run(string[] args) throws Exception { if (args.length!= 2) { System.err.println("<input> <output>"); System.exit(27); Job job = Job.getInstance(getConf()); job.setjarbyclass(totalsortv2.class); FileInputFormat.addInputPath(job, new Path(args[])); FileOutputFormat.setOutputPath(job, new Path(args[])); job.setmapperclass(simplemapper.class); job.setreducerclass(simplereducer.class); job.setpartitionerclass(iteblogpartitioner.class); job.setmapoutputkeyclass(intwritable.class); job.setmapoutputvalueclass(intwritable.class); job.setoutputkeyclass(intwritable.class); job.setoutputvalueclass(nullwritable.class); job.setnumreducetasks(3); job.setjobname("dw_subject"); return job.waitforcompletion(true)? : ; public static void main(string[] args) throws Exception { int exitcode = ToolRunner.run(new TotalSortV2(), args); System.exit(exitCode); 第二版的排序实现除了自定义的 IteblogPartitioner, 其余的和第一种实现一样现在我们来运行一下 : [iteblog@ /home/iteblog]$ hadoop jar totalsort-..jar com.iteblog.mapreduce.sort.totalsortv2 /user/iteblog/input /user/iteblog/output [iteblog@ /home/iteblog]$ hadoop fs -ls /user/iteblog/output Found 4 items -rw-r--r-- 3 iteblog supergroup :53 /user/iteblog/output/_success -rw-r--r-- 3 iteblog supergroup :53 /user/iteblog/output/partr- -rw-r--r-- 3 iteblog supergroup :53 /user/iteblog/output/partr- 6 / 9

7 三种方法实现 Hadoop(MapReduce) 全局排序 () :53 /user/iteblog/output/part- -rw-r--r-- 3 iteblog supergroup r-2 [iteblog@ /home/iteblog]$ hadoop fs -cat /user/iteblog/output/partr- head -n [iteblog@ /home/iteblog]$ hadoop fs -cat /user/iteblog/output/partr- tail -n [iteblog@ /home/iteblog]$ hadoop fs -cat /user/iteblog/output/partr- head -n [iteblog@ /home/iteblog]$ hadoop fs -cat /user/iteblog/output/partr- tail -n / 9

8 三种方法实现 Hadoop(MapReduce) 全局排序 () /home/iteblog]$ hadoop fs -cat /user/iteblog/output/partr-2 head -n [iteblog@ /home/iteblog]$ hadoop fs -cat /user/iteblog/output/partr-2 tail -n 我们已经看到了这个程序生成了三个文件 ( 因为我们设置了 Reduce 个数为 3), 而且每个文件都是局部有序 ; 所有小于的数据都在 part-r- 里面, 所有小于 2 的数据都在 part-r- 里面, 所有大于 2 的数据都在 part-r-2 里面 part-r- part-r- 和 partr-2 三个文件实现了全局有序这个方法也实现了数据的全局有序, 但是也有一些问题, 明天我再写一篇文章介绍第三种数据全局排序的方法 8 / 9

9 Powered by TCPDF ( 三种方法实现 Hadoop(MapReduce) 全局排序 () 本博客文章除特别声明, 全部都是原创! 转载本文请加上 : 转载自过往记忆 ( 本文链接 : () 9 / 9

三种方法实现Hadoop(MapReduce)全局排序(2)

三种方法实现Hadoop(MapReduce)全局排序(2) 三种方法实现 Hadoop(MapReduce) 全局排序 (2) 我在前面的文章介绍了 MapReduce 中两种全排序的方法及其实现但是上面的两种方法都是有很大的局限性 : 方法一在数据量很大的时候会出现 OOM 问题 ; 方法二虽然能够将数据分散到多个 Reduce 中, 但是问题也很明显 : 我们必须手动地找到各个 Reduce 的分界点, 尽量使得分散到每个 Reduce 的数据量均衡