Hadoop3教程（十四）：MapReduce中的排序

（99）WritableComparable排序

什么是排序

排序是MR中最重要的操作之一，也是面试中可能被问到的重点。

MapTask和ReduceTask中都会对数据按照KEY来排序，主要是为了效率，排完序之后，相同key值的数据会被放在一起，更方便下一步（如Reducer()）的汇总处理。

默认排序是按照字典顺序（字母由小到大，或者是数字由小到大）排序，且实现该排序的方法是快速排序。

什么时候需要排序

MR的过程中，什么时候用到了排序呢？

Map阶段：

• 环形缓冲区溢写到磁盘之前，会将每个分区内数据分别进行一个快排，这个排序是在内存中完成的；（对key的索引，按照字典顺序排列）
• 环形缓冲区多轮溢写完毕后，会形成一堆文件，这时候会对这些文件做merge归并排序，我理解是单个MapTask最终会汇总形成一个文件；

Reduce阶段：

• ReduceTask会主动拉取MapTask们的输出文件，理论上是会优先保存到内存里，但是往往内存里放不下，所以多数情况下会直接溢写到磁盘，于是我们会得到多个文件。当文件数量超过阈值，之后需要做归并排序，合并成一个大文件。如果是内存中的数据超过阈值，则会进行一次合并后将数据溢写到磁盘。当所有数据拷贝完后，ReduceTask会统一对内存和磁盘上的所有数据进行一次归并排序。
• 文件合并后其实还可以进行一个分组排序，过于复杂，这里就不介绍了。

排序有哪些分类

MR里的排序还有部分排序、全排序、辅助排序、二次排序的不同说法，注意，它们之间不是像那种传统的排序算法之间的区别，只是当排序在不同场景的时候，分别起了个名字。

MapReduce根据输入记录的键对数据集排序，保证输出的每个文件内部是有序的，这就是部分排序。

最终输出结果只有一个文件，且文件内部有序。这就是全排序。

全排序的实现方式是只设置一个ReduceTask。但是这种方式在处理大型文件时效率很低很低，因为一台机器处理全部数据，完全没有利用MR所提供的并行架构的优势，生产环境上完全不适用。

所以生产环境里，常用的还是部分排序。

辅助排序，就是GroupingComparator分组。

这个似乎是可选的，是在Reduce阶段，Reducer在从Map阶段主动拉取完数据后，会对所有文件做一次归并排序。做完归并排序之后，理论上就可以进行辅助排序。

辅助排序有啥用呢，就是当接收到的Key是个bean对象时，辅助排序可以让一个或者几个字段相同的key（全部字段不相同）进入同一个Reduce()，所以也起名叫做分组排序。

二次排序比较简单，在自定义排序过程中，如果compareTo中的判断条件为两个，那它就是二次排序。

如何实现自定义排序

说到这里，那 如何实现自定义排序 呢？

如果是bean对象作为key传输，那需要实现WritableComparable接口，重写compareTo方法，就可以实现自定义排序。

@Override
public int compareTo(FlowBean bean) {int result;// 按照总流量大小，倒序排列if (this.sumFlow > bean.getSumFlow()) {result = -1;}else if (this.sumFlow < bean.getSumFlow()) {result = 1;}else {result = 0;}return result;
}

（100）全排序案例

案例需求

之前我们做过一个案例，输入文件有一个，里面放的是每个手机号的上行流量和下行流量，输出同样是一个文件，里面放的除了手机号的上行流量和下行流量之外，还多了一行总流量。

这时候我们提一个新需求，就是我不止要这个输出文件，我还要这个文件里的内容，按照总流量降序排列。

思路分析

MapReduce里，只能对Key进行排序。在先前的需求里，我们是用手机号作为key，上行流量、下行流量和总流量组成一个bean，作为value，这样的安排显然不适合新需求。

因此我们需要改变一下，将上行流量、下行流量和总流量组成的bean作为key，而将手机号作为value，如此来排序。

所以第一步，我们需要对我们自定义的FlowBean对象声明WritableComparable接口，并重写CompareTo方法，这一步的目的是使得FlowBean可进行算数比较，从而允许排序：

@Override
public int CompareTo(FlowBean o){// 按照总流量，降序排列return this.sumFlow > o.getSumFlow()?-1:1;
}

注意这里，因为Hadoop里默认的字典排序是从小到大排序，如果想实现案例里由大到小的排序，那么当大于的时候，就要返回-1，从而将大的值排在前面。

其次，Mapper类里：

context.write(bean, 手机号)

bean成了key，手机号成了value。

最后，Reduce类里，需要循环输出，避免出现总流量相同的情况。

for (Text text: values){context.write(text, key);	// 注意顺序，原先的key放在value位置
}

2023-7-19 11:16:04 这里没懂。。。

哦哦明白了，什么样的数据会进一个Reducer呢，当然是key 值相同的会进同一个，又因为我们之前compareTo的时候用的是总流量，所以最后是总流量相同的记录会送进同一个Reducer，然后汇总成一条记录做输出，毕竟reducer就是用来做汇总的。

但"汇总成一条记录"这并不是我们想要的，我们需要的是把这些数据原模原样输出来。这就是为什么我们在Reducer的reduce()里面，要加上循环输出的原因。

实际代码

贴一下教程里的代码实现：

首先是FlowBean对象，需要声明WritableComparable接口，并重写CompareTo()

package com.atguigu.mapreduce.writablecompable;import org.apache.hadoop.io.WritableComparable;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;public class FlowBean implements WritableComparable<FlowBean> {private long upFlow; //上行流量private long downFlow; //下行流量private long sumFlow; //总流量//提供无参构造public FlowBean() {}//生成三个属性的getter和setter方法public long getUpFlow() {return upFlow;}public void setUpFlow(long upFlow) {this.upFlow = upFlow;}public long getDownFlow() {return downFlow;}public void setDownFlow(long downFlow) {this.downFlow = downFlow;}public long getSumFlow() {return sumFlow;}public void setSumFlow(long sumFlow) {this.sumFlow = sumFlow;}public void setSumFlow() {this.sumFlow = this.upFlow + this.downFlow;}//实现序列化和反序列化方法,注意顺序一定要一致@Overridepublic void write(DataOutput out) throws IOException {out.writeLong(this.upFlow);out.writeLong(this.downFlow);out.writeLong(this.sumFlow);}@Overridepublic void readFields(DataInput in) throws IOException {this.upFlow = in.readLong();this.downFlow = in.readLong();this.sumFlow = in.readLong();}//重写ToString,最后要输出FlowBean@Overridepublic String toString() {return upFlow + "\t" + downFlow + "\t" + sumFlow;}@Overridepublic int compareTo(FlowBean o) {//按照总流量比较,倒序排列if(this.sumFlow > o.sumFlow){return -1;}else if(this.sumFlow < o.sumFlow){return 1;}else {return 0;}}
}

然后编写Mapper类：

package com.atguigu.mapreduce.writablecompable;import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;public class FlowMapper extends Mapper<LongWritable, Text, FlowBean, Text> {private FlowBean outK = new FlowBean();private Text outV = new Text();@Overrideprotected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {//1 获取一行数据String line = value.toString();//2 按照"\t",切割数据String[] split = line.split("\t");//3 封装outK outVoutK.setUpFlow(Long.parseLong(split[1]));outK.setDownFlow(Long.parseLong(split[2]));outK.setSumFlow();outV.set(split[0]);//4 写出outK outVcontext.write(outK,outV);}
}

然后编写Reducer类：

package com.atguigu.mapreduce.writablecompable;import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;public class FlowReducer extends Reducer<FlowBean, Text, Text, FlowBean> {@Overrideprotected void reduce(FlowBean key, Iterable<Text> values, Context context) throws IOException, InterruptedException {//遍历values集合,循环写出,避免总流量相同的情况for (Text value : values) {//调换KV位置,反向写出context.write(value,key);}}
}

最后编写驱动类：

package com.atguigu.mapreduce.writablecompable;import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.io.IOException;public class FlowDriver {public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {//1 获取job对象Configuration conf = new Configuration();Job job = Job.getInstance(conf);//2 关联本Driver类job.setJarByClass(FlowDriver.class);//3 关联Mapper和Reducerjob.setMapperClass(FlowMapper.class);job.setReducerClass(FlowReducer.class);//4 设置Map端输出数据的KV类型job.setMapOutputKeyClass(FlowBean.class);job.setMapOutputValueClass(Text.class);//5 设置程序最终输出的KV类型job.setOutputKeyClass(Text.class);job.setOutputValueClass(FlowBean.class);//6 设置输入输出路径FileInputFormat.setInputPaths(job, new Path("D:\\inputflow2"));FileOutputFormat.setOutputPath(job, new Path("D:\\comparout"));//7 提交Jobboolean b = job.waitForCompletion(true);System.exit(b ? 0 : 1);}
}

完成，仅做了解即可。

（101）二次排序案例

二次排序的概念很简单，其实之前提过了，就是在自定义排序的时候，判断条件有两个。

比如说，原先我对一堆人排序，是按照身高从高到低排，但是身高一样的就没法排序了，这时候我可以再加入一个判断条件，比如说如果身高一样的话，就按体重排序。

具体就是修改FlowBean的CompareTo方法，在第一条件相等的时候，添加第二判定条件。

public int compareTo(FlowBean o) {//按照总流量比较,倒序排列if(this.sumFlow > o.sumFlow){return -1;}else if(this.sumFlow < o.sumFlow){return 1;}else {if (this.upFlow > o.upFlow){return 1;} else if (this.upFlow < o.upFlow){return -1;}else {return 0;}}
}

如果有需要的话，还可以继续加第三判定条件。

（102） 区内排序案例

还是之前的手机号案例，之前我们想要的是，只有一个文件，然后文件内所有数据按照总流量降序排列。

现在我们提出一个新要求，按照前3位来分区输出，比如说136的在一个文件里，137的在一个文件里，以此类推。而且每个文件内部，还需要按照总流量降序排列。

本质上就是之前说的分区 + 排序，这两部分的结合。需要额外定义好Partitioner类。

贴一下教程里的代码示例，其实只需要在上一小节的基础上补充自定义分区类即可：

首先自定义好分区类：

package com.atguigu.mapreduce.partitionercompable;import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Partitioner;public class ProvincePartitioner2 extends Partitioner<FlowBean, Text> {@Overridepublic int getPartition(FlowBean flowBean, Text text, int numPartitions) {//获取手机号前三位String phone = text.toString();String prePhone = phone.substring(0, 3);//定义一个分区号变量partition,根据prePhone设置分区号int partition;if("136".equals(prePhone)){partition = 0;}else if("137".equals(prePhone)){partition = 1;}else if("138".equals(prePhone)){partition = 2;}else if("139".equals(prePhone)){partition = 3;}else {partition = 4;}//最后返回分区号partitionreturn partition;}
}

然后在驱动类里注册好分区器：

// 设置自定义分区器
job.setPartitionerClass(ProvincePartitioner2.class);// 设置对应的ReduceTask的个数
job.setNumReduceTasks(5);

其他跟上一小节保持一致即可。

参考文献

1. 【尚硅谷大数据Hadoop教程，hadoop3.x搭建到集群调优，百万播放】