03 Mapreduce例項排序

實驗原理

map、reduce任務中shuffle和排序的過程圖如下：

流程分析：

1.map端：

（1）每個輸入分片會讓乙個map任務來處理，預設情況下，以hdfs的乙個塊的大小（預設為64m）為乙個分片，當然我們也可以設定塊的大小。map輸出的結果會暫且放在乙個環形記憶體緩衝區中（該緩衝區的大小預設為100m，由io.sort.mb屬性控制），當該緩衝區快要溢位時（預設為緩衝區大小的80%，由io.sort.spill.percent屬性控制），會在本地檔案系統中建立乙個溢位檔案，將該緩衝區中的資料寫入這個檔案。

（2）在寫入磁碟之前，執行緒首先根據reduce任務的數目將資料劃分為相同數目的分割槽，也就是乙個reduce任務對應乙個分割槽的資料。這樣做是為了避免有些reduce任務分配到大量資料，而有些reduce任務卻分到很少資料，甚至沒有分到資料的尷尬局面。其實分割槽就是對資料進行hash的過程。然後對每個分割槽中的資料進行排序，如果此時設定了combiner，將排序後的結果進行combia操作，這樣做的目的是讓盡可能少的資料寫入到磁碟。

（3）當map任務輸出最後乙個記錄時，可能會有很多的溢位檔案，這時需要將這些檔案合併。合併的過程中會不斷地進行排序和combia操作，目的有兩個：①儘量減少每次寫入磁碟的資料量。②儘量減少下一複製階段網路傳輸的資料量。最後合併成了乙個已分割槽且已排序的檔案。為了減少網路傳輸的資料量，這裡可以將資料壓縮，只要將mapred.compress.map.out設定為true就可以了。

（4）將分割槽中的資料拷貝給相對應的reduce任務。有人可能會問：分割槽中的資料怎麼知道它對應的reduce是哪個呢？其實map任務一直和其父tasktracker保持聯絡，而tasktracker又一直和jobtracker保持心跳。所以jobtracker中儲存了整個集群中的巨集觀資訊。只要reduce任務向jobtracker獲取對應的map輸出位置就ok了哦。

到這裡，map端就分析完了。那到底什麼是shuffle呢？shuffle的中文意思是「洗牌」，如果我們這樣看：乙個map產生的資料，結果通過hash過程分割槽卻分配給了不同的reduce任務，是不是乙個對資料洗牌的過程呢？

2.reduce端：

（1）reduce會接收到不同map任務傳來的資料，並且每個map傳來的資料都是有序的。如果reduce端接受的資料量相當小，則直接儲存在記憶體中（緩衝區大小由mapred.job.shuffle.input.buffer.percent屬性控制，表示用作此用途的堆空間的百分比），如果資料量超過了該緩衝區大小的一定比例（由mapred.job.shuffle.merge.percent決定），則對資料合併後溢寫到磁碟中。

（2）隨著溢寫檔案的增多，後台執行緒會將它們合併成乙個更大的有序的檔案，這樣做是為了給後面的合併節省時間。其實不管在map端還是reduce端，mapreduce都是反覆地執行排序，合併操作，現在終於明白了有些人為什麼會說：排序是hadoop的靈魂。

（3）合併的過程中會產生許多的中間檔案（寫入磁碟了），但mapreduce會讓寫入磁碟的資料盡可能地少，並且最後一次合併的結果並沒有寫入磁碟，而是直接輸入到reduce函式。

熟悉mapreduce的人都知道：排序是mapreduce的天然特性！在資料達到reducer之前，mapreduce框架已經對這些資料按鍵排序了。但是在使用之前，首先需要了解它的預設排序規則。它是按照key值進行排序的，如果key為封裝的int為intwritable型別，那麼mapreduce按照數字大小對key排序，如果key為封裝string的text型別，那麼mapreduce將按照資料字典順序對字元排序。

了解了這個細節，我們就知道應該使用封裝int的intwritable型資料結構了，也就是在map這裡，將讀入的資料中要排序的字段轉化為intwritable型，然後作為key值輸出（不排序的字段作為value）。reduce階段拿到之後，將輸入的key作為的輸出key，並根據value-list中的元素的個數決定輸出的次數。

實驗步驟

1.在linux中開啟hadoop

start-all.sh

2.在linux本地新建/data/mapreduce3目錄。

mkdir -p /data/mapreduce3

unzip hadoop2lib.zip

4.在hdfs上新建/mymapreduce3/in目錄，然後將linux本地/data/mapreduce3目錄下的goods_click檔案匯入到hdfs的/mymapreduce3/in目錄中。

hadoop fs -mkdir -p /mymapreduce3/in

hadoop fs -put /data/mapreduce3/goods_click /mymapreduce3/in

注意：檔案需要注意檔案格式，資料後有隱藏的空格會導致api中讀取失敗，行末尾的空格應該取消掉，中間使用逗號分隔開

5.在idea中編寫**

package
mapreduce3;
import
j**a.io.ioexception;
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
import
org.apache.hadoop.mapreduce.reducer;
import
org.apache.hadoop.mapreduce.lib.input.fileinputformat;
import
org.apache.hadoop.mapreduce.lib.input.textinputformat;
import
org.apache.hadoop.mapreduce.lib.output.fileoutputformat;
import
org.apache.hadoop.mapreduce.lib.output.textoutputformat;
public
class
onesort 
}public
static
class reduce extends reducer< intwritable, text, intwritable, text>}}
public
static
void main(string args) throws
ioexception, classnotfoundexception, interruptedexception
}

６.建立resources資料夾，其中建立log4j.properties檔案

hadoop.root.logger=debug, console

log4j.rootlogger =debug, console

７.匯入hadoop2lib的包

8.執行結果

ps：記得修改許可權

03 Mapreduce例項排序

MapReduce計數例項

mapreduce應用例項

MapReduce例項多表關聯

03 Mapreduce例項 排序

MapReduce計數例項

mapreduce應用例項

MapReduce例項 多表關聯

相關推薦

03 Mapreduce例項排序

MapReduce例項多表關聯