hadoop 实现数据排序

前言

在很多业务场景下，需要对原始的数据读取分析后，将输出的结果按照指定的业务字段进行排序输出，方便上层应用对结果数据进行展示或使用，减少二次排序的成本

在hadoop的MapReduce中，提供了对于客户端的自定义排序的功能相关API

MapReduce排序

• 默认情况下，MapTask 和ReduceTask均会对数据按照key进行排序
• 默认的排序按照字典序，且实现排序的方法是快排

MapReduce排序分类

1、部分排序

MapReduce根据输入记录的键值对数据集总体排序，确保输出的文件内部数据有序

Hadoop如何进行序列化，2、全排序

最终的输出结果只有一个文件，且内部有序，实现方式是只设置一个ReduceTask，但是这种做法在处理的某个文件特别大的时候，效率会非常低，这也就丧失了MapReduce提供的并行处理任务的能力

3、辅助排序

在Reduce端对key进行分组，比如说，在接收的key为bean对象的时候，想让一个或多个字段相同的key进入到同一个reduce方法时，可以采用分组排序

4、二次排序

hadoop使用实例、在自定义排序中，compareto的判断条件为两个或者多个时即为二次排序

自定义排序案例

还记得在序列化一篇中，那个针对手机号的峰值流量和峰谷流量的例子吧，我们直接以该案例的输出结果为输入数据，对这个结果文件中按照总流量进行排序

期望输出数据的格式如：

1、自定义一个Bean对象，实现WritableComparable 接口

实现该接口后，重写compareTo方法，需要排序的字段逻辑就在compareTo中编写

import org.apache.hadoop.io.WritableComparable;import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;public class PhoneSortBean implements WritableComparable<PhoneSortBean> {//峰值流量private long upFlow;//低谷流量private long downFlow;//总流量private long sumFlow;@Overridepublic int compareTo(PhoneSortBean o) {if (this.sumFlow > o.sumFlow) {return -1;}else if(this.sumFlow < o.sumFlow){return 1;}else {return 0;}}//提供无参构造public PhoneSortBean() {}//提供三个参数的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,注意顺序一定要保持一致@Overridepublic void write(DataOutput dataOutput) throws IOException {dataOutput.writeLong(upFlow);dataOutput.writeLong(downFlow);dataOutput.writeLong(sumFlow);}@Overridepublic void readFields(DataInput dataInput) throws IOException {this.upFlow = dataInput.readLong();this.downFlow = dataInput.readLong();this.sumFlow = dataInput.readLong();}//重写ToString方法@Overridepublic String toString() {return upFlow + "\t" + downFlow + "\t" + sumFlow;}
}

hadoop推荐算法？2、自定义Mapper

设想一下，既然数据能排序，Map阶段输出的key应该为自定义的可比较的对象，即为上面的这个bean，value为手机号

import org.apache.commons.lang3.StringUtils;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;import java.io.IOException;
import java.util.LinkedList;public class SortPhoneMapper extends Mapper<LongWritable, Text, PhoneSortBean,Text> {private Text outV = new Text();private PhoneSortBean outK = new PhoneSortBean();@Overrideprotected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {String line = value.toString();//分割数据String[] splits = line.split("\t");LinkedList<String> linkedList = new LinkedList<>();for(String str:splits){if(StringUtils.isNotEmpty(str)){linkedList.add(str.trim());}}//抓取需要的数据:手机号,上行流量,下行流量String phone = linkedList.get(0);String max =  linkedList.get(1);String mine = linkedList.get(2);//封装outK outVoutV.set(phone);outK.setUpFlow(Long.parseLong(max));outK.setDownFlow(Long.parseLong(mine));outK.setSumFlow();//写出outK outVcontext.write(outK, outV);}
}

3、自定义Reducer

Reduce阶段的输出结果仍然以手机号为key，而value为排序后的自定义的bean

import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;import java.io.IOException;public class SortPhoneReducer extends Reducer<PhoneSortBean,Text , Text, PhoneSortBean> {@Overrideprotected void reduce(PhoneSortBean key, Iterable<Text> values, Context context) throws IOException, InterruptedException {for (Text value : values) {context.write(value,key);}}
}

4、自定义Driver类

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;public class SortPhoneJob {public static void main(String[] args) throws Exception {//1 获取job对象Configuration conf = new Configuration();Job job = Job.getInstance(conf);//2 关联本Driver类job.setJarByClass(SortPhoneJob.class);//3 设置Map端输出KV类型job.setReducerClass(SortPhoneReducer.class);job.setMapperClass(SortPhoneMapper.class);//4 关联Mapper和Reducerjob.setMapOutputKeyClass(PhoneSortBean.class);job.setMapOutputValueClass(Text.class);//5 设置程序最终输出的KV类型job.setOutputKeyClass(Text.class);job.setOutputValueClass(PhoneSortBean.class);//6 设置程序的输入输出路径String inPath = "F:\\网盘\\csv\\phone_out_bean.txt";String outPath = "F:\\网盘\\csv\\phone_out_sort";FileInputFormat.setInputPaths(job, new Path(inPath));FileOutputFormat.setOutputPath(job, new Path(outPath));//7 提交Jobboolean b = job.waitForCompletion(true);System.exit(b ? 0 : 1);}}

hadoop数据，运行上面的程序，观察输出结果，可以看到，总流量按照从大到小的顺序进行了排序

可以看到，最后的3行数据中，总流量相同，如果这时候又提出一个需求，当总流量相同时，再按照峰值流量进行排序，该怎么做呢？

其实只需要在自定义的bean中的compareto方法里面继续添加排序逻辑即可

public int compareTo(PhoneSortBean o) {if (this.sumFlow > o.sumFlow) {return -1;}else if(this.sumFlow < o.sumFlow){return 1;}else {//如果总流量相同的情况下，再按照峰值流量排序if(this.upFlow > o.upFlow){return -1;}else if(this.upFlow < o.upFlow){return 1;}else {return 0;}}}

分区内排序案例

业务需求，上面的案例中，我们进一步提出新的需求，针对不同的手机号最终写到不同的文件中，那么在上面的基础上，还需要结合自定义分区的逻辑

需要改造的包括2点：

• 添加一个自定义分区器，按照业务规则指定分区号
• 改造Driver类，添加自定义分区器，设置MapReduceTask任务个数

大数据hadoop原理。1、添加自定义分区

public class MyPartioner extends Partitioner<MyPhoneBean, Text> {@Overridepublic int getPartition(MyPhoneBean myPhoneBean, Text text, int partion) {String phone = text.toString();if(phone.startsWith("135")){return 0;}else if(phone.startsWith("136")){return 1;}else if(phone.startsWith("137")){return 2;}else {return 3;}}}

2、改造Driver类

其他的逻辑和上面的保持一致即可

public class MyDriver {public static void main(String[] args) throws Exception {//1 获取job对象Configuration conf = new Configuration();Job job = Job.getInstance(conf);//2 关联本Driver类job.setJarByClass(MyDriver.class);//3 设置Map端输出KV类型job.setMapperClass(MyMapper.class);job.setReducerClass(MyReducer.class);//4 关联Mapper和Reducerjob.setMapOutputKeyClass(MyPhoneBean.class);job.setMapOutputValueClass(Text.class);//5 设置程序最终输出的KV类型job.setOutputKeyClass(Text.class);job.setOutputValueClass(MyPhoneBean.class);//6、设置输出文件为2个job.setNumReduceTasks(4);job.setPartitionerClass(MyPartioner.class);//7、 设置程序的输入输出路径String inPath = "F:\\网盘\\csv\\phone_out_bean.txt";String outPath = "F:\\网盘\\csv\\phone_out_sort";FileInputFormat.setInputPaths(job, new Path(inPath));FileOutputFormat.setOutputPath(job, new Path(outPath));//7 提交Jobboolean b = job.waitForCompletion(true);System.exit(b ? 0 : 1);}}

运行上面的程序，然后随机打开其中的两个文件检查下是否满足上面的需求，可以看到，文件最终输出到4个分区文件下，并且每个分区文件内的总流量也是按照从高到低的顺序