MapReduce程序之数据排序

[toc]

MapReduce程序之数据排序

需求

下面有三个文件：

yeyonghao@yeyonghaodeMacBook-Pro:~/data/input/sort$ cat file1.csv
2
32
654
32
15
756
65223
yeyonghao@yeyonghaodeMacBook-Pro:~/data/input/sort$ cat file2.csv
5956
22
650
92
yeyonghao@yeyonghaodeMacBook-Pro:~/data/input/sort$ cat file3.csv
26
54
6

使用MapReduce对其进行排序并输出。

分析思路

Map阶段分析：
/**
* 数据在Map之后会做sort（从内存缓冲区到磁盘的时候会做sort），所以Map操作只需要把数据直接写出即可，最后在本地做数据
* 合并的时候也是会有排序的，详细可以参考MapReduce的过程，但是需要注意的是，因为我们需要进行的是数字的排序，
* 所以在Map输出时，key的类型应该是Int类型才能按照数字的方式进行排序，如果是Text文本的话，那么是按照字典顺序
* 来进行排序的（也就是先比较字符串中的第一个字符，如果相同再比较第二个字符，以此类推），而不是按照数字进行排序
*/

Reduce阶段分析：
/**
* 需要注意的是，排序与其它MapReduce程序有所不同，最后在驱动程序设置ReduceTask时，必须要设置为1
* 这样才能把数据都汇总到一起，另外一点，数据在shuffle到达reducer的时候，从内存缓冲区写到磁盘时
* 也会进行排序操作，所以即便是从不同节点上的Map上shuffle来的数据，到输入到reducer时，数据也是有序的，
* 所以Reducer需要做的是把数据直接写到context中就可以了
*/

MapReduce程序

关于如何进行数据的排序，思路已经在代码注释中有说明，不过需要注意的是，这里使用了前面开发的Job工具类来开发驱动程序，程序代码如下：

package com.uplooking.bigdata.mr.sort;

import com.uplooking.bigdata.common.utils.MapReduceJobUtil;
import com.uplooking.bigdata.mr.duplication.DuplicationJob;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
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.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;

import java.io.IOException;

public class SortJob {

/**
* 驱动程序，使用工具类来生成job
*
* @param args
*/
public static void main(String[] args) throws Exception {

if (args == null || args.length < 2) {
System.err.println("Parameter Errors! Usages:<inputpath> <outputpath>");
System.exit(-1);
}

Job job = MapReduceJobUtil.buildJob(new Configuration(),
SortJob.class,
args[0],
TextInputFormat.class,
SortMapper.class,
IntWritable.class,
NullWritable.class,
new Path(args[1]),
TextOutputFormat.class,
SortReducer.class,
IntWritable.class,
NullWritable.class);

// ReduceTask必须设置为1
job.setNumReduceTasks(1);
job.waitForCompletion(true);
}

/**
* 数据在Map之后会做sort（从内存缓冲区到磁盘的时候会做sort），所以Map操作只需要把数据直接写出即可，最后在本地做数据
* 合并的时候也是会有排序的，详细可以参考MapReduce的过程，但是需要注意的是，因为我们需要进行的是数字的排序，
* 所以在Map输出时，key的类型应该是Int类型才能按照数字的方式进行排序，如果是Text文本的话，那么是按照字典顺序
* 来进行排序的（也就是先比较字符串中的第一个字符，如果相同再比较第二个字符，以此类推），而不是按照数字进行排序
*/
public static class SortMapper extends Mapper<LongWritable, Text, IntWritable, NullWritable> {
@Override
protected void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException {
// 先将value转换为数字
int num = Integer.valueOf(value.toString());
// 直接写出数据到context中
context.write(new IntWritable(num), NullWritable.get());
}
}

/**
* 需要注意的是，排序与其它MapReduce程序有所不同，最后在驱动程序设置ReduceTask时，必须要设置为1
* 这样才能把数据都汇总到一起，另外一点，数据在shuffle到达reducer的时候，从内存缓冲区写到磁盘时
* 也会进行排序操作，所以即便是从不同节点上的Map上shuffle来的数据，到输入到reducer时，数据也是有序的，
* 所以Reducer需要做的是把数据直接写到context中就可以了
*/
public static class SortReducer extends Reducer<IntWritable, NullWritable, IntWritable, NullWritable> {
@Override
protected void reduce(IntWritable key, Iterable<NullWritable> values, Context context)
throws IOException, InterruptedException {
// 直接将数据写入到context中
context.write(key, NullWritable.get());
}
}
/**
* 仍然需要说明的是，因为reduce端在shuffle数据写入到磁盘的时候已经完成了排序，
* 而这个排序的操作不是在reducer的输出中完成的，这也就意味着，reducer的输出数据中的key数据类型，
* 可以是IntWritable，显然也可以设置为Text的，说明这个问题主要是要理清map-shuffle-reduce的过程
*/
}

测试

这里使用本地环境来运行MapReduce程序，输入的参数如下：

/Users/yeyonghao/data/input/sort /Users/yeyonghao/data/output/mr/sort

也可以将其打包成jar包，然后上传到Hadoop环境中运行。

运行程序后，查看输出结果如下：

yeyonghao@yeyonghaodeMacBook-Pro:~/data/output/mr/sort$ cat part-r-00000
2
6
15
22
26
32
54
92
650
654
756
5956
65223

可以看到，我们的MapReduce已经完成了数据排序的操作。

注意事项

因为在map输出后，相同的key会被shuffle到同一个reducer中，所以这个过程其实也完成了去重的操作，这也就意味着，按照上面的MapReduce程序的思路，重复的数据也会被删除，那么如何解决这个问题呢？大家可以思考一下。

思路也比较简单，可以这样做，map输出的时候，key还是原来的key，而value不再是NullWritalbe，而是跟key一样的，这样到了reducer的时候，如果有相同的数据，输入的数据就类似于<32, [32, 32, 32]>，那么在reducer输出数据的时候，就可以迭代[32, 32, 32]数据进行输出，这样就可以避免shuffle阶段key去重所带来去除了相同数字的问题。

注意，前面一些文章，很多操作多次提到是在shuffle，其实有些是不准备的，包括这里的。在Map端，其实key的去重是在merge on disk的过程中完成了。