问题描述：
输入文件格式如下：
name1 2
name3 4
name1 6
name1 1
name3 3
name1 0
要求输出的文件格式如下：
name1 0，1，2，6
name3 3，4
要求是按照第一列分组，name1与name3也是按照顺序排列的，组内升序排序。
思路：
常规的输出，无法排序key所对应的多个值的顺序。为了排序组内中的值，需要将key与value放在同一个组。Job中有两个方法setGroupingComparatorClass和setSortComparatorClass，可以利用这两个方法来实现组内排序。但是这些排序都是基于key的，则就要将key和value定义成组合键。
但是必须要保证第一列相同的全部都放在同一个分区中，则就需要自定义分区，分区的时候只考虑第一列的值。由于partitioner仅仅能保证每一个reducer接受同一个name的所有记录，但是reducer仍然是通过键进行分组的分区，也就说该分区中还是按照键来分成不同的组，还需要分组只参考name值
先按照name分组，再在name中内部进行排序。
解决方法：
运用自定义组合键的策略，将name和1定义为一个组合键。在分区的时候只参考name的值，即继承partitioner。
由于要按照name分组，则就需要定义分组策略，然后设置setGroupingComparatorClass。
setGroupingComparatorClass主要定义哪些key可以放置在一组，分组的时候会对组合键进行比较，由于这里只需要考虑组合键中的一个值，则定义实现一个WritableComparator，设置比较策略。
对于组内的排序，可以利用setSortComparatorClass来实现，
这个方法主要用于定义key如何进行排序在它们传递给reducer之前，
这里就可以来进行组内排序。
具体代码：
Hadoop版本号：hadoop1.1.2
自定义组合键
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
|
package whut;
import java.io.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;
//自定义组合键策略//java基本类型数据public class TextInt implements WritableComparable{
//直接利用java的基本数据类型
private String firstKey;
private int secondKey;
//必须要有一个默认的构造函数
public String getFirstKey() {
return firstKey;
}
public void setFirstKey(String firstKey) {
this.firstKey = firstKey;
}
public int getSecondKey() {
return secondKey;
}
public void setSecondKey(int secondKey) {
this.secondKey = secondKey;
}
@Override
public void write(DataOutput out) throws IOException {
// TODO Auto-generated method stub
out.writeUTF(firstKey);
out.writeInt(secondKey);
}
@Override
public void readFields(DataInput in) throws IOException {
// TODO Auto-generated method stub
firstKey=in.readUTF();
secondKey=in.readInt();
}
//map的键的比较就是根据这个方法来进行的
@Override
public int compareTo(Object o) {
// TODO Auto-generated method stub
TextInt ti=(TextInt)o;
//利用这个来控制升序或降序
//this本对象写在前面代表是升序
//this本对象写在后面代表是降序
return this.getFirstKey().compareTo(ti.getFirstKey());
}
} |
分组策略
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
package whut;
import org.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.io.WritableComparator;
//主要就是对于分组进行排序，分组只按照组建键中的一个值进行分组public class TextComparator extends WritableComparator {
//必须要调用父类的构造器
protected TextComparator() {
super(TextInt.class,true);//注册comparator
}
@Override
public int compare(WritableComparable a, WritableComparable b) {
// TODO Auto-generated method stub
TextInt ti1=(TextInt)a;
TextInt ti2=(TextInt)b;
return ti1.getFirstKey().compareTo(ti2.getFirstKey());
}
} |
组内排序策略
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
|
package whut;
import org.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.io.WritableComparator;
//分组内部进行排序，按照第二个字段进行排序public class TextIntComparator extends WritableComparator {
public TextIntComparator()
{
super(TextInt.class,true);
}
//这里可以进行排序的方式管理
//必须保证是同一个分组的
//a与b进行比较
//如果a在前b在后，则会产生升序
//如果a在后b在前，则会产生降序
@Override
public int compare(WritableComparable a, WritableComparable b) {
// TODO Auto-generated method stub
TextInt ti1=(TextInt)a;
TextInt ti2=(TextInt)b;
//首先要保证是同一个组内，同一个组的标识就是第一个字段相同
if(!ti1.getFirstKey().equals(ti2.getFirstKey()))
return ti1.getFirstKey().compareTo(ti2.getFirstKey());
else
return ti2.getSecondKey()-ti1.getSecondKey();//0,-1,1
}
} |
分区策略
|
1
2
3
4
5
6
7
8
9
10
11
|
package whut;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.mapreduce.Partitioner;
//参数为map的输出类型public class KeyPartitioner extends Partitioner<TextInt, IntWritable> {
@Override
public int getPartition(TextInt key, IntWritable value, int numPartitions) {
// TODO Auto-generated method stub
return (key.getFirstKey().hashCode()&Integer.MAX_VALUE)%numPartitions;
}
} |
MapReduce策略
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
|
package whut;
import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
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.Mapper.Context;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.KeyValueTextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;
//需要对数据进行分组以及组内排序的时候public class SortMain extends Configured implements Tool{
//这里设置输入文格式为KeyValueTextInputFormat
//name1 5
//默认输入格式都是Text，Text
public static class GroupMapper extends
Mapper<Text, Text, TextInt, IntWritable> {
public IntWritable second=new IntWritable();
public TextInt tx=new TextInt();
@Override
protected void map(Text key, Text value, Context context)
throws IOException, InterruptedException {
String lineKey=key.toString();
String lineValue=value.toString();
int lineInt=Integer.parseInt(lineValue);
tx.setFirstKey(lineKey);
tx.setSecondKey(lineInt);
second.set(lineInt);
context.write(tx, second);
}
}
//设置reduce
public static class GroupReduce extends Reducer<TextInt, IntWritable, Text, Text>
{
@Override
protected void reduce(TextInt key, Iterable<IntWritable> values,
Context context)
throws IOException, InterruptedException {
StringBuffer sb=new StringBuffer();
for(IntWritable val:values)
{
sb.append(val+",");
}
if(sb.length()>0)
{
sb.deleteCharAt(sb.length()-1);
}
context.write(new Text(key.getFirstKey()), new Text(sb.toString()));
}
}
@Override
public int run(String[] args) throws Exception {
// TODO Auto-generated method stub
Configuration conf=getConf();
Job job=new Job(conf,"SecondarySort");
job.setJarByClass(SortMain.class);
// 设置输入文件的路径，已经上传在HDFS
FileInputFormat.addInputPath(job, new Path(args[0]));
// 设置输出文件的路径，输出文件也存在HDFS中，但是输出目录不能已经存在
FileOutputFormat.setOutputPath(job, new Path(args[1]));
job.setMapperClass(GroupMapper.class);
job.setReducerClass(GroupReduce.class);
//设置分区方法
job.setPartitionerClass(KeyPartitioner.class);
//下面这两个都是针对map端的
//设置分组的策略，哪些key可以放置到一组中
job.setGroupingComparatorClass(TextComparator.class);
//设置key如何进行排序在传递给reducer之前.
//这里就可以设置对组内如何排序的方法
/*************关键点**********/
job.setSortComparatorClass(TextIntComparator.class);
//设置输入文件格式
job.setInputFormatClass(KeyValueTextInputFormat.class);
//使用默认的输出格式即TextInputFormat
//设置map的输出key和value类型
job.setMapOutputKeyClass(TextInt.class);
job.setMapOutputValueClass(IntWritable.class);
//设置reduce的输出key和value类型
//job.setOutputFormatClass(TextOutputFormat.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(Text.class);
job.waitForCompletion(true);
int exitCode=job.isSuccessful()?0:1;
return exitCode;
}
public static void main(String[] args) throws Exception
{
int exitCode=ToolRunner.run(new SortMain(), args);
System.exit(exitCode);
}
} |
注意事项
1，设置分组排序按照升序还是降序是在自定义WritableComparable中的compareTo()方法实现的，具体升序或者降序的设置在代码中已经注释说明
2，设置组内值进行升序还是降序的排序是在组内排序策略中的compare()方法注释说明的。
3，这里同时最重要的一点是，将第二列即放在组合键中，又作为value，这样对于组合键排序也就相当于对于value进行排序了。
4，在自定义组合键的时候，对于组合键中的数据的基本类型可以采用Java的基本类型也可以采用Hadoop的基本数据类型，对于Hadoop的基本数据类型一定要记得初始化new一个基本数据类型对象。对于组合键类，必须要有默认的构造方法。
本文转自 zhao_xiao_long 51CTO博客，原文链接:http://blog.51cto.com/computerdragon/1287721