使用MapReduce进行排序

      之前在工作中使用到过MapReduce的排序，当时对于这个平台的理解还比较浅显，选择的是一个最为简单的方式，就是只用一个Recude来做。因为Map之后到Reduce阶段，为了Merge的方便，MapReduce的实现会自己依据key值进行排序，这样得出的结果就是一个整体排序的结果。而如果使用超过一个Reduce任务的话，所得的结果是每个part内部有序，但是整体是需要进行merge才可以得到最终的全体有序的。今天读了《Hadoop权威指南》中的第8章，对使用Hadoop这一MapReduce的Java实现进行排序有所了解，在此进行简单的总结。

      首先我们来看一下Hadoop中内部Map和Reduce两个阶段所做的排序，可以使用下图来说明。

      对MapReduce或者Hadoop有所了解的人可能都知道，所谓对于key值的排序，其实是在Map阶段进行的，而Rduce阶段所做的工作是对各个Map任务的结果进行Merge工作，这样就能保证整体是有序的。如果想在使用多个Reduce任务的情况下保证结果有序，我们可以做的是在上图中的partition阶段进行控制，使分配到每个reduce task的数据块为数值区域独立的，即比如整体数据在0~50之间，划分为5个Reduce任务的话，可以0~10区间的数据到第一个Reduce Task，10~20之间的到第二个，以此类推。但是这样就存在一个问题，划分出的各个任务中的数据可能并不是均等的，这样某些Reduce Task处理了很多数据，而其他的处理了很少的数据。Hadoop提供了RandomSampler类（位于InputSampler类中）来进行随机取样，然后按照取样结果对值域进行划分。一个示例代码如下：

public class SortByTemperatureUsingTotalOrderPartitioner extends Configured
        implements Tool {
    @Override
    public int run(String[] args) throws Exception {
        JobConf conf = JobBuilder.parseInputAndOutput(this, getConf(), args);
        if (conf == null) {
            return -1;
        }
        conf.setInputFormat(SequenceFileInputFormat.class);
        conf.setOutputKeyClass(IntWritable.class);
        conf.setOutputFormat(SequenceFileOutputFormat.class);
        SequenceFileOutputFormat.setCompressOutput(conf, true);
        SequenceFileOutputFormat
                .setOutputCompressorClass(conf, GzipCodec.class);
        SequenceFileOutputFormat.setOutputCompressionType(conf,
                CompressionType.BLOCK);
        conf.setPartitionerClass(TotalOrderPartitioner.class);
        InputSampler.Sampler<IntWritable, Text> sampler = new InputSampler.RandomSampler<IntWritable, Text>(
                0.1, 10000, 10);
        Path input = FileInputFormat.getInputPaths(conf)[0];
        input = input.makeQualified(input.getFileSystem(conf));
        Path partitionFile = new Path(input, "_partitions");
        TotalOrderPartitioner.setPartitionFile(conf, partitionFile);
        InputSampler.writePartitionFile(conf, sampler);
        // Add to DistributedCache
        URI partitionUri = new URI(partitionFile.toString() + "#_partitions");
        DistributedCache.addCacheFile(partitionUri, conf);
        DistributedCache.createSymlink(conf);
        JobClient.runJob(conf);
        return 0;
    }

    public static void main(String[] args) throws Exception {
        int exitCode = ToolRunner.run(
                new SortByTemperatureUsingTotalOrderPartitioner(), args);
        System.exit(exitCode);
    }
}

     使用上述程序执行所得的结果会是多个划分，每个划分内部是有序的，而且第i个划分的key值会比i+1个划分的key值都要小。这样，就可以不需要进行再一步的merge，就可以得到整体的上有序结果。

      关于排序，一个更加有意思的应用是所谓的Secondary Sort，亦即在保证第一个key值有序的情况下，对第二个key值也要保证有序（可以是升序或者降序）。此处的一个实现方法是将这两个需要排序的部分都作为key值，使用IntPair进行存储，然后自己实现一个继承自WritableComparator的名为KeyComparator的用于比较的类，其代码如下：

public static class KeyComparator extends WritableComparator {
    protected KeyComparator() {
        super(IntPair.class, true);
    }

    @Override
    public int compare(WritableComparable w1, WritableComparable w2) {
        IntPair ip1 = (IntPair) w1;
        IntPair ip2 = (IntPair) w2;
        int cmp = IntPair.compare(ip1.getFirst(), ip2.getFirst());
        if (cmp != 0) {
            return cmp;
        }
        return -IntPair.compare(ip1.getSecond(), ip2.getSecond()); // reverse
    }
}

       这里对于第二列是得到降序的结果，在conf设置的时候，可以使用conf.setOutputKeyComparatorClass(KeyComparator.class);语句进行设置。这样执行计算程序的话，会存在一个问题，因为将两个int型的值共同作为key值来处理，在Map阶段结束后进行Partition的划分的时候，就会同样依照这个总key值进行划分，我们想要两个值，比如(1900,20)和(1900,23)被放到同一个Reduce任务中进行处理就无法实现，于是我们需要实现自己的Partitioner接口，代码如下：

public static class FirstPartitioner implements
        Partitioner<IntPair, NullWritable> {
    @Override
    public void configure(JobConf job) {
    }

    @Override
    public int getPartition(IntPair key, NullWritable value, int numPartitions) {
        return Math.abs(key.getFirst() * 127) % numPartitions;
    }
}

      同样在配置过程中使用conf.setPartitionerClass(FirstPartitioner.class);语句进行设置。除此之外，需要进行控制的还有一个Reduce中的Group by操作，方法是实现一个GroupComparator类，其中的比较只使用第一个键值即可，代码如下：

public static class GroupComparator extends WritableComparator {
    protected GroupComparator() {
        super(IntPair.class, true);
    }

    @Override
    public int compare(WritableComparable w1, WritableComparable w2) {
        IntPair ip1 = (IntPair) w1;
        IntPair ip2 = (IntPair) w2;
        return IntPair.compare(ip1.getFirst(), ip2.getFirst());
    }
}

      需要设置的是conf.setOutputValueGroupingComparator(GroupComparator.class);。这样就可以实现Secondary Sort过程了。