Hadoop 实战中的排序问题 - 百思不得其解,求高手解惑!
需求
对输入文件中的数据进行排序。
输入文件中的每行内容都是一个数字,要求在输出文件中每行有两个数字,第一个数字代表位次,第二个数字为原始数据。
比如文件1包含以下数据:
1
3
5
2
4
6
文件2包含以下数据:
2
4
6
3
1
5
那么输出文件应当为:
1 1
2 1
3 2
4 2
...
第一列是位次,第二列是原始数据!
下面是代码:
这段代码在我自己的伪分布式上运行良好,但有几个问题始终想不明白。
1. 25和41行的变量设置为static属性是什么意思?是不是说这个变量在所有的Reduce节点之间是共享的?
2. 我明白Partition 大概的意思,在Partition之后,数据将会被切成块,划分到一个个Partition区间,也就是Reduce节点中去,但问题是这几个Reduce节点必然是并行执行的,那么我的位序统计代码:
如何有效工作?
这个变量linenum统计的仅仅是在单个的Reduce节点之内的位序吧?即使linenum在各个Reduce节点之间共享,难道就不会发生同步问题???
比如Partition区间划分为 0-5 和 6-10,那么两个区间分配到的数据分别为1,2 ,3和7, 9, 8,。那么当第一个Reduce节点统计完数据2之后(数据3还没统计),第二个节点统计到了数据77,就会把数据7算作位序3了,而实际上,为序为3的应该是第一个区间的3.
对输入文件中的数据进行排序。
输入文件中的每行内容都是一个数字,要求在输出文件中每行有两个数字,第一个数字代表位次,第二个数字为原始数据。
比如文件1包含以下数据:
1
3
5
2
4
6
文件2包含以下数据:
2
4
6
3
1
5
那么输出文件应当为:
1 1
2 1
3 2
4 2
...
第一列是位次,第二列是原始数据!
下面是代码:
package org.apache.hadoop.examples;
import java.io.IOException;
//导入各种Hadoop包
import org.apache.hadoop.conf.Configuration;
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.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.GenericOptionsParser;
// 主类
public class Sort {
// Mapper类
public static class Map extends Mapper<Object, Text, IntWritable, IntWritable>{
// new一个值为空的IntWritable对象
private static IntWritable data = new IntWritable();
// 实现map函数
public void map(Object key, Text value, Context context) throws IOException, InterruptedException {
// 将切分后的value作为中间输出的key,然后value值为1。
String line = value.toString();
data.set(Integer.parseInt(line));
context.write(data, new IntWritable(1));
}
}
// Reducer类
public static class Reduce extends Reducer<IntWritable, IntWritable, IntWritable, IntWritable> {
// new一个值为1的IntWritable对象
private static IntWritable linenum = new IntWritable(1);
// 实现reduce函数
public void reduce(IntWritable key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
// 写入结果键值对
for (IntWritable val : values) {
context.write(linenum, key);
linenum = new IntWritable(linenum.get()+1);
}
}
}
public static class Partition extends Partitioner <IntWritable, IntWritable> {
public int getPartition(IntWritable key, IntWritable value, int numPartitions) {
int MaxNumber = 65223;
int bound = MaxNumber/numPartitions + 1;
int keynumber = key.get();
for (int i=0; i<numPartitions; i++) {
if (keynumber < bound * (i+1) && keynumber >= bound*i) {
return i;
}
}
return -1;
}
}
// 主函数
public static void main(String[] args) throws Exception {
// 获取配置参数
Configuration conf = new Configuration();
String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
// 检查命令语法
if (otherArgs.length != 2) {
System.err.println("Usage: Dedup <in> <out>");
System.exit(2);
}
// 定义作业对象
Job job = new Job(conf, "Sort");
// 注册分布式类
job.setJarByClass(Sort.class);
// 注册Mapper类
job.setMapperClass(Map.class);
// 注册Reducer类
job.setReducerClass(Reduce.class);
// 注册Partition类
//job.setPartitionerClass(Partition.class);
// 注册输出格式类
job.setOutputKeyClass(IntWritable.class);
job.setOutputValueClass(IntWritable.class);
// 设置输入输出路径
FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
// 运行程序
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}
这段代码在我自己的伪分布式上运行良好,但有几个问题始终想不明白。
1. 25和41行的变量设置为static属性是什么意思?是不是说这个变量在所有的Reduce节点之间是共享的?
2. 我明白Partition 大概的意思,在Partition之后,数据将会被切成块,划分到一个个Partition区间,也就是Reduce节点中去,但问题是这几个Reduce节点必然是并行执行的,那么我的位序统计代码:
// Reducer类
public static class Reduce extends Reducer<IntWritable, IntWritable, IntWritable, IntWritable> {
// new一个值为空的IntWritable对象
private static IntWritable linenum = new IntWritable(1);
// 实现reduce函数
public void reduce(IntWritable key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
// 写入结果键值对
for (IntWritable val : values) {
context.write(linenum, key);
linenum = new IntWritable(linenum.get()+1);
}
}
}
如何有效工作?
这个变量linenum统计的仅仅是在单个的Reduce节点之内的位序吧?即使linenum在各个Reduce节点之间共享,难道就不会发生同步问题???
比如Partition区间划分为 0-5 和 6-10,那么两个区间分配到的数据分别为1,2 ,3和7, 9, 8,。那么当第一个Reduce节点统计完数据2之后(数据3还没统计),第二个节点统计到了数据77,就会把数据7算作位序3了,而实际上,为序为3的应该是第一个区间的3.
...全文
相关推荐
Hadoop实战大数据大作业
- **MapReduce:** 提供便利的分布式应用开发接口,解决通信、同步、调度计算等分布式计算中的复杂问题。
hadoop 实现数据排序
hadoop 实现数据排序
hadoop 二次排序 原理
本文将深入解析Hadoop的二次排序(Secondary Sort)原理,这是一个允许用户自定义排序规则以满足特定需求的功能。
hadoop 实战开发
这些组件在实战中有着重要应用。5. **Hadoop实战案例**:书中会提供实际项目案例,如日志分析、推荐系统、机器学习等,帮助读者将理论知识应用于实际问题解决。6.
hadoop二次排序的原理和实现方法
默认的排序方式只能对MapReduce作业的键(Key)进行排序,但有时我们可能需要对键值对中的值(Value)也进行排序,这就是所谓的“二次排序”或“二次归并排序”。


