排序数据 Hadoop Mapreduce

Posted 2023-04-17

【中文标题】排序数据 Hadoop Mapreduce

【英文标题】：Sort data Hadoop Mapreduce

【发布时间】：2015-12-16 06:58:07

【问题描述】：

我有以下算法按字母顺序对数据进行排序

public void setup(Context context) throws IOException,
        InterruptedException 
      conf = context.getConfiguration();
      caseSensitive = conf.getBoolean("amasort.case.sensitive", true);

    

    @Override
    public void map(Object key, Text value, Context context
                    ) throws IOException, InterruptedException 
      String line = (caseSensitive) ? value.toString() : value.toString().toLowerCase();
      word.set(line+"_"+key.toString());
      context.write(word, one);
      System.out.println("key:"+key.toString()+";value:"+value.toString());
      
    

  public static class ForwardReducer
       extends Reducer<Text,NullWritable,Text,NullWritable> 
    private NullWritable result = NullWritable.get();

    public void reduce(Text key, Iterable<NullWritable> values,
                       Context context
                       ) throws IOException, InterruptedException 

      String originalWord = key.toString();
      originalWord = originalWord.substring(0, originalWord.lastIndexOf("_"));
      key.set(originalWord);
      context.write(key, result);
    
  

  public static void main(String[] args) throws Exception 
    Configuration conf = new Configuration();
    GenericOptionsParser optionParser = new GenericOptionsParser(conf, args);
    String[] remainingArgs = optionParser.getRemainingArgs();
    Job job = Job.getInstance(conf, "word sort");
    job.setJarByClass(AmaSort.class);
    job.setMapperClass(LineMapper.class);
//    job.setCombinerClass(ForwardReducer.class);
    job.setReducerClass(ForwardReducer.class);
    job.setOutputKeyClass(Text.class);
    job.setOutputValueClass(NullWritable.class);

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

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

我尝试使用此算法对包含 (@xxxxxxx, 0,tcp,xx,1,1,1,2,4,5,....) 的 mydata 集进行排序，但输出所有以 @ 开头的行都被删除和数据行结构 0,tcp,x1x1,1,114,.... 被修改，我只想用这个特定的字符 (@) 对我的数据集进行排序，所有行在文件的第一个以 @ 开头，其余的保持相同的结构。 任何人都可以帮我修改这个算法吗？

【参考方案1】：

您可以使用以下修改后的代码进行排序，

import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
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 org.apache.hadoop.util.GenericOptionsParser;

public class AmaSort

    static Configuration conf = null;
    private static boolean caseSensitive;
    private static Text word = new Text();

    public static class LineMapper extends Mapper<Object, Text, Text, NullWritable>

        public void setup(Context context) throws IOException, InterruptedException
        
            conf = context.getConfiguration();
            caseSensitive = conf.getBoolean("amasort.case.sensitive", true);

        

        @Override
        public void map(Object key, Text value, Context context) throws IOException, InterruptedException
        
            String line = (caseSensitive) ? value.toString() : value.toString().toLowerCase();
            word.set(line);
            context.write(word, NullWritable.get());

        
    

    public static class ForwardReducer extends Reducer<Text, NullWritable, Text, NullWritable>
    
        private NullWritable result = NullWritable.get();

        public void reduce(Text key, Iterable<NullWritable> values, Context context) throws IOException, InterruptedException
        
            context.write(key, result);
        
    

    public static void main(String[] args) throws Exception
    
    Configuration conf = new Configuration();
    GenericOptionsParser optionParser = new GenericOptionsParser(conf, args);
    String[] remainingArgs = optionParser.getRemainingArgs();
//  Job job = Job.getInstance(conf, "word sort");
    Job job = new Job(conf, "word sort");
    job.setJarByClass(AmaSort.class);
    job.setMapperClass(LineMapper.class);
    // job.setCombinerClass(ForwardReducer.class);
    job.setReducerClass(ForwardReducer.class);
    job.setOutputKeyClass(Text.class);
    job.setOutputValueClass(NullWritable.class);

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

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

【讨论】：

谢谢@prashant 它有效但是有很多数据被删除了（我的原始数据集大小为 36MB，排序后的数据只有 3.6Mb），我在文件 0、tcp、xxxxx 的第一个中获得了数据。 0,1,111 然后是 'At' 属性....最后一个 'At' 数据我想要按这个顺序 'At'attribute 然后一行 'At' 日期最后剩下的数据 你能帮我解决这个问题吗？或者如果你想给我发你的电子邮件来互相联系

当我们使用键进行排序时，默认情况下它将使用RowComparator对键进行排序，但如果您想使用自定义排序对它们进行排序，您可以实现自己的SortComparator请有看看链接，***.com/questions/16184745/… 顺便说一下，你可以通过 [e-mail] 联系我

您能否也举一些从原始数据中删除的行的示例？并且大小可能会减少，因为从数据中删除了重复项。

谢谢你的兄弟，我现在给你发邮件，希望我能尽快收到你的回放