/ 中存储网

利用hadoop mapreduce 做数据排序

2013-10-14 00:00:00 来源:中存储网
我们的需求是想统计一个文件中用IK分词后每个词出现的次数,然后按照出现的次数降序排列。也就是高频词统计。
  由于hadoop在reduce之后就不能对结果做什么了,所以只能分为两个job完成,第一个job统计次数,第二个job对第一个job的结果排序。 第一个job的就是hadoop最简单的例子countwords,我要说的是用hadoop对结果排序。 假设第一个job的结果输出如下:
  part-r-0000文件内容:
  a  5
  b  4
  c  74
  d  78
  e  1
  r  64
  f    4
  要做的就是按照每个词出现的次数降序排列。
  **********************************分割线*****************************************首先可能会出现这样的问题:
  1.可能上一个job为多个reduce,也就是会产生多个结果文件,因为一个reduce就会生成一个结果文件,结果存放在上一个job输出目录下类似part-r-00的文件里。
  2.需要排序的文件内容很大,所以需要考虑多个reduce的情况。
  *********************************分割线*******************************怎么去设计mapreduce
  1.在map阶段按照行读取文本,然后调用map方法时把上一个job的结果颠倒,也就是map后结果应该是这样的
  5    a
  4    b
  74    c
  ................
  .........................
  4    f2.然后map后,hadoop会对结果进行分组,这时结果就会变成
  (5:a)
  (4:b,f)
  (74:c)
  3.然后按照reduce数目的大小自定义分区函数,让结果形成多个区间,比如我认为大于50的应该在一个区间,一共3个reduce,那么最后的数据应该是三个区间,大于50的直接分到第一个分区0,25到50之间的分到第二个分区1,小于25的分到第三个分区2.因为分区数和reduce数是相同的,所以不同的分区对应不同的reduce,因为分区是从0开始的,分区是0的会分到第一个reduce处理,分区是1的会分到第2个reduce处理,依次类推。并且reduce对应着输出文件,所以,第一个reduce生成的文件就会是part-r-0000,第二个reduce对应的生成文件就会是part-r-0001,依次类推,所以reduce处理时只需要把key和value再倒过来直接输出。这样最后就会让形成数目最大的字符串就会在第一个生成文件里,排好的序就会文件命的顺序。 代码如下:
  *******************************分割线*****************************************map:
  /**
  * 把上一个mapreduce的结果的key和value颠倒,调到后就可以按照key排序了。
  *
  * @author zhangdonghao
  *
  */
  public class SortIntValueMapper extends
  Mapper<LongWritable, Text, IntWritable, Text> {
  private final static IntWritable wordCount = new IntWritable(1);
  private Text word = new Text();
  public SortIntValueMapper() {
  super();
  }
  @Override
  public void map(LongWritable key, Text value, Context context)
  throws IOException, InterruptedException {
  StringTokenizer tokenizer = new StringTokenizer(value.toString());
  while (tokenizer.hasMoreTokens()) {
  word.set(tokenizer.nextToken().trim());
  wordCount.set(Integer.valueOf(tokenizer.nextToken().trim()));
  context.write(wordCount, word);
  }
  }
  }reudce:
  /**
  * 把key和value颠倒过来输出
  * @author zhangdonghao
  *
  */
  public class SortIntValueReduce extends
  Reducer<IntWritable, Text, Text, IntWritable> {
  private Text result = new Text();
  @Override
  public void reduce(IntWritable key, Iterable<Text> values, Context context)
  throws IOException, InterruptedException {
  for (Text val : values) {
  result.set(val.toString());
  context.write(result, key);
  }
  }
  }Partitioner:
  /**
  * 按照key的大小来划分区间,当然,key 是 int值
  *
  * @author zhangdonghao
  *
  */
  public class KeySectionPartitioner<K, V> extends Partitioner<K, V> {
  public KeySectionPartitioner() {
  }
  @Override
  public int getPartition(K key, V value, int numReduceTasks) {
  /**
  * int值的hashcode还是自己本身的数值
  */
  //这里我认为大于maxValue的就应该在第一个分区
  int maxValue = 50;
  int keySection = 0;
  // 只有传过来的key值大于maxValue 并且numReduceTasks比如大于1个才需要分区,否则直接返回0
  if (numReduceTasks > 1 && key.hashCode() < maxValue) {
  int sectionValue = maxValue / (numReduceTasks - 1);
  int count = 0;
  while ((key.hashCode() - sectionValue * count) > sectionValue) {
  count++;
  }
  keySection = numReduceTasks - 1 - count;
  }
  return keySection;
  }
  }Comparator:
  /**
  * int的key按照降序排列
  *
  * @author zhangdonghao
  *
  */
  public class IntKeyAscComparator extends WritableComparator {
  protected IntKeyAscComparator() {
  super(IntWritable.class, true);
  }
  @Override
  public int compare(WritableComparable a, WritableComparable b) {
  return -super.compare(a, b);
  }
  }job的关键设置:
  /**
  * 这里是map输出的key和value类型
  */
  job.setOutputKeyClass(IntWritable.class);
  job.setOutputValueClass(Text.class);
  job.setMapperClass(SortIntValueMapper.class);
  // job.setCombinerClass(WordCountReduce.class);
  job.setReducerClass(SortIntValueReduce.class);
  // key按照降序排列
  job.setSortComparatorClass(IntKeyAscComparator.class);
  job.setPartitionerClass(KeySectionPartitioner.class);
  job.setInputFormatClass(TextInputFormat.class);
  job.setOutputFormatClass(TextOutputFormat.class);
  /**
  *这里可以放输入目录数组,也就是可以把上一个job所有的结果都放进去
  **/
  FileInputFormat.setInputPaths(job, inputPath);
  FileOutputFormat.setOutputPath(job,outputPath);大概就是这样,亲测可用。(^__^)