MR实现全排序

Posted 2023-05-17

参考技术A

默认情况下，mr只对key排序。我们所说的全排序，即对key的全排序。

这个是最容易想到的思路
优点是实现简单，
缺点也很明显，一个reduce有可能比较慢，无法利用分布式的优点

通过重写Partition类，把key在一个范围内的发往一个固定的reduce，这样在一个reduce内key是全排序的，在reduce之间按照序号也是排好序的。比如key代表的是一个年龄。我们可以把数据输出到10个reduer。1-10岁之间发往第0个reduce,11-20发往第2个reduce，以此类推。

缺点 是这种划分可能不均匀。

所以全排序的大概思路为：确保Partition之间是有序的就OK了，即保证Partition1的最大值小于Partition2的最小值就OK了。

即便这样做也还是有个问题：Partition的分布不均，可能导致某些Partition处理的数据量远大于其他Partition处理的数据量。

而实现全排序的核心步骤为：取样和Partition。
先“取样”，保证Partition得更均匀：

我们知道Mapreduce框架在feed数据给reducer之前会对map output key排序，这种排序机制保证了每一个reducer局部有序，hadoop 默认的partitioner是HashPartitioner，它依赖于output key的hashcode，使得相同key会去相同reducer，但是不保证全局有序，如果想要获得全局排序结果（比如获取top N, bottom N），就需要用到TotalOrderPartitioner了，它保证了相同key去相同reducer的同时也保证了全局有序。

TotalOrderPartitioner依赖于一个partition file来distribute keys，partition file是一个实现计算好的sequence file，如果我们设置的reducer number是N，那么这个文件包含（N-1）个key分割点，并且是基于key comparator排好序的。TotalOrderPartitioner会检查每一个key属于哪一个reducer的范围内，然后决定分发给哪一个reducer。

InputSampler类的writePartitionFile方法会对input files取样并创建partition file。有三种取样方法：

参考： MapReduce 实现全排序的方式

十二道MR习题 – 1 – 排序

题目：

一个文件，大小约为100G。文件的每一行都是一个数字，要求对文件中的所有数字进行排序。

对于这个题目，了解过Hadoop的同学可以笑而不语了。即使用spark实现也是非常简单的事情。

先说下如何用Hadoop实现。实际上也没什么好说的：Map任务逐行读入数字，而后在Reduce中输出就可以了，简单粗暴到令人发指。

看下代码好了：

package com.zhyea.dev;

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.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.IOException;

public class NumberSort {


    public static class SplitterMapper extends Mapper<Object, Text, IntWritable, IntWritable> {

        private static final IntWritable intWritable = new IntWritable();

        @Override
        public void map(Object key, Text value, Context context) {
            try {
                int num = Integer.valueOf(value.toString());
                intWritable.set(num);
                context.write(intWritable, intWritable);
            } catch (Exception e) {
                e.printStackTrace();
            }
        }

    }


    public static class IntegrateReducer extends Reducer<IntWritable, IntWritable, IntWritable, IntWritable> {

        @Override
        public void reduce(IntWritable key, Iterable<IntWritable> values, Context context) {
            try {
                context.write(key, key);
            } catch (Exception e) {
                e.printStackTrace();
            }
        }

    }


    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {

        Configuration conf = new Configuration();

        Job job = Job.getInstance(conf, "number-sort");
        job.setJarByClass(NumberSort.class);

        job.setMapperClass(SplitterMapper.class);
        job.setReducerClass(IntegrateReducer.class);

        job.setOutputKeyClass(IntWritable.class);
        job.setOutputValueClass(IntWritable.class);

        FileInputFormat.addInputPath(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        System.exit(job.waitForCompletion(true) ? 0 : 1);
    }
}

在map方法中，输出值的Value部分我选择了一个IntWritable的值。Value值的类型也是可以设置为NullWritable的，不过这样map任务执行起来会比较慢，虽然reduce任务执行的会快一些，但是终究是得不偿失。

在我们的程序里没有执行任何排序的动作，但是输出的结果是有序的，这是因为在shuffle阶段已经完成了排序（一次快速排序，一次归并排序）。

再来看看用spark是如何完成的：

object NumSortJob {


  def main(args: Array[String]): Unit = {
    val inputPath = args(0)
    val outputPath = args(1)
    val conf = new SparkConf().setAppName("Num Sort")
    val sc = new SparkContext(conf)
    val data = sc.hadoopFile[LongWritable, Text, TextInputFormat](inputPath)

    data.map(p => p._2.toString.toInt).distinct().sortBy[Int](p => p).coalesce(1, true).saveAsTextFile(outputPath)
  }

}

spark则需要主动进行排序。即使选择了使用sortBasedShuffle，它的排序也仅止于mapper端的排序，结果集不一定是有序的。

#########