共计 9018 个字符，预计需要花费 23 分钟才能阅读完成。
思考
想到全局排序，是否第一想到的是，从 map 端收集数据，shuffle 到 reduce 来，设置一个 reduce，再对 reduce 中的数据排序，显然这样和单机器并没有什么区别，要晓得 mapreduce 框架默认是对 key 来排序的，当然也能够将 value 放到 key 下面来达到对 value 排序，最初在 reduce 时候对调回去，另外排序是针对雷同分区，即一个 reduce 来排序的，这样其实也不能充分运用到集群的并行，那么如何更优雅地实现全局排序呢？
摘要
hadoop 中的排序分为局部排序，全局排序，辅助排序，二次排序等，本文次要介绍如何实现 key 全局排序，共有三种实现形式：
- 设置一个 reduce
- 利用自定义 partition 将数据按程序分批次分流到多个分区
- 利用框架自实现 TotalOrderPartitioner 分区器来实现
实现
首先筹备一些输出数据：https://github.com/hulichao/b…，如下，
/data/job/file.txt
2
32
654
32
15
756
65223通过设置一 个 reduce 来实现全局排序
利用一个 reduce 来实现全局排序，能够说不须要做什么特地的操作，mapper,reduce,driver 实现如下：
package com.hoult.mr.job;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
public class JobMapper extends Mapper<LongWritable, Text, IntWritable, IntWritable> {
@Override
protected void map(LongWritable key, Text value,
Context context) throws IOException, InterruptedException {IntWritable intWritable = new IntWritable(Integer.parseInt(value.toString()));
context.write(intWritable, intWritable);
}
}package com.hoult.mr.job;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
public class JobReducer extends
Reducer<IntWritable, IntWritable, IntWritable, IntWritable> {
private int index = 0;// 全局排序计数器
@Override
protected void reduce(IntWritable key, Iterable<IntWritable> values,
Context context) throws IOException, InterruptedException {for (IntWritable value : values)
context.write(new IntWritable(++index), value);
}
}package com.hoult.mr.job;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.*;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;
public class JobDriver extends Configured implements Tool {
@Override
public int run(String[] args) throws Exception {if (args.length != 2) {System.err.println("input-path output-path");
System.exit(1);
}
Job job = Job.getInstance(getConf());
job.setJarByClass(JobDriver.class);
FileInputFormat.addInputPath(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
job.setMapperClass(JobMapper.class);
job.setReducerClass(JobReducer.class);
job.setMapOutputKeyClass(IntWritable.class);
job.setMapOutputValueClass(IntWritable.class);
job.setOutputKeyClass(IntWritable.class);
job.setOutputValueClass(NullWritable.class);
// 应用一个 reduce 来排序
job.setNumReduceTasks(1);
job.setJobName("JobDriver");
return job.waitForCompletion(true) ? 0 : 1;
}
public static void main(String[] args)throws Exception{// int exitCode = ToolRunner.run(new JobDriver(), args);
int exitCode = ToolRunner.run(new JobDriver(), new String[] {"data/job/", "data/job/output"});
System.exit(exitCode);
}
}
// 加了排序索引，最初输入一个文件，内容如下：1 2
2 6
3 15
4 22
5 26
6 32
7 32
8 54
9 92
10 650
11 654
12 756
13 5956
14 65223PS; 以上通过 hadoop 自带的 ToolRunner 工具来启动工作，后续代码波及到反复的不再列出，只针对差异性的代码。
利用自定义 partition 将数据按程序分批次分流到多个分区
通过自定义分区如何保证数据的全局有序呢？咱们晓得 key 值分区，会通过默认分区函数 HashPartition 将不同范畴的 key 发送到不同的 reduce，所以利用这一点，这样来实现分区器，例如有数据分布在 1 - 1 亿，能够将 1 -1000 万的数据让 reduce1 来跑，1000 万 +1-2000 万的数据来让 reduce2 来跑。。。。最初能够对这十个文件，按程序组合即可失去所有数据按分区有序的全局排序数据，因为数据量较小，采纳分 11 个分区，别离是 1 -1000,10001-2000,。跟第一种形式实现不同的有上面两个点，
//partitionner 实现
package com.hoult.mr.job;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.mapreduce.Partitioner;
/**
* @author hulichao
* @date 20-9-20
**/
public class JobPartitioner extends Partitioner<IntWritable, IntWritable> {
@Override
public int getPartition(IntWritable key, IntWritable value, int numPartitions) {int keyValue = Integer.parseInt(key.toString());
for (int i = 0; i < 10; i++) {if (keyValue < 1000 * (i+1) && keyValue >= 1000 * (i-1)) {System.out.println("key:" + keyValue + ", part:" + i);
return i;
}
}
return 10;
}
}
//driver 处须要减少：// 设置自定义分区器
job.setPartitionerClass(JobPartitioner.class);
//driver 处须要批改 reduce 数量
job.setNumReduceTasks(10);执行程序，后果会产生 10 个文件，文件内有序。
part-r-00000
part-r-00001
part-r-00002
part-r-00003
part-r-00004
part-r-00005
part-r-00006
part-r-00007
part-r-00008
part-r-00009留神：须要留神一点，partition 含有数据的分区要小于等于 reduce 数，否则会包 Illegal partiion 谬误。另外毛病分区的实现如果对数据晓得较少可能会导致数据歪斜和 OOM 问题。
利用框架自实现 TotalOrderPartitioner 分区器来实现
既然想到了第二种自定义形式，其实能够解决少数歪斜问题，然而实际上，在数据分布不理解之前，对数据的散布评估，只能去试，看后果值有哪些，进而自定义分区器，这不就是取样吗，针对取样而后实现分区器这种形式，hadoop 曾经帮咱们实现好了，并且解决了数据歪斜和 OOM 问题，那就是 TotalOrderPartitioner 类，其类提供了数据采样器，对 key 值进行局部采样，而后依照采样后果寻找 key 值的最佳宰割点，从而将 key 均匀分布在不同分区中。
TotalOrderPartitioner提供了三个采样器如下：
- SplitSampler 分片采样器，从数据分片中采样数据，该采样器不适宜曾经排好序的数据
- RandomSampler 随机采样器，依照设置好的采样率从一个数据集中采样
- IntervalSampler 距离采样机，以固定的距离从分片中采样数据，对于曾经排好序的数据成果十分好
采样器实现了 K[] getSample(InputFormat<K,V> info, Job job) 办法，返回的是采样数组，其中 InputFormat 是 map 输出端后面的输出辅助类，依据返回的 K[]的长度进而生成数组长度 - 1 个 partition, 最初依照宰割点范畴将对应数据发送到相应分区中。
代码实现：
//mapper 和 driver 的类型略有不同
package com.hoult.mr.job.totalsort;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
/**
* @author hulichao
* @date 20-9-20
**/
public class TotalMapper extends Mapper<Text, Text, Text, IntWritable> {
@Override
protected void map(Text key, Text value,
Context context) throws IOException, InterruptedException {System.out.println("key:" + key.toString() + ", value:" + value.toString());
context.write(key, new IntWritable(Integer.parseInt(key.toString())));
}
}package com.hoult.mr.job.totalsort;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
/**
* @author hulichao
* @date 20-9-20
**/
public class TotalReducer extends Reducer<Text, IntWritable, IntWritable, NullWritable> {
@Override
protected void reduce(Text key, Iterable<IntWritable> values,
Context context) throws IOException, InterruptedException {for (IntWritable value : values)
context.write(value, NullWritable.get());
}
}// 比拟器
package com.hoult.mr.job.totalsort;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.io.WritableComparator;
/**
* 自定义比拟器来比拟 key 的程序
* @author hulichao
* @date 20-9-20
**/
public class KeyComparator extends WritableComparator {protected KeyComparator() {super(Text.class, true);
}
@Override
public int compare(WritableComparable w1, WritableComparable w2) {int num1 = Integer.valueOf(w1.toString());
int num2 = Integer.valueOf(w2.toString());
return num1 - num2;
}
}package com.hoult.mr.job.totalsort;
//driver 实现
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.KeyValueTextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.partition.InputSampler;
import org.apache.hadoop.mapreduce.lib.partition.TotalOrderPartitioner;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;
/**
* @author hulichao
* @date 20-9-20
**/
public class TotalDriver extends Configured implements Tool {
@Override
public int run(String[] args) throws Exception {Configuration conf = new Configuration();
// 设置非分区排序
conf.set("mapreduce.totalorderpartitioner.naturalorder", "false");
Job job = Job.getInstance(conf, "Total Driver");
job.setJarByClass(TotalDriver.class);
// 设置读取文件的门路，都是从 HDFS 中读取。读取文件门路从脚本文件中传进来
FileInputFormat.addInputPath(job,new Path(args[0]));
// 设置 mapreduce 程序的输入门路，MapReduce 的后果都是输出到文件中
FileOutputFormat.setOutputPath(job,new Path(args[1]));
job.setInputFormatClass(KeyValueTextInputFormat.class);
// 设置比拟器，用于比拟数据的大小，而后按程序排序，该例子次要用于比拟两个 key 的大小
job.setSortComparatorClass(KeyComparator.class);
job.setNumReduceTasks(10);// 设置 reduce 数量
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
job.setOutputKeyClass(IntWritable.class);
job.setOutputValueClass(NullWritable.class);
// 设置保留 partitions 文件的门路
TotalOrderPartitioner.setPartitionFile(job.getConfiguration(), new Path(args[2]));
//key 值采样，0.01 是采样率，InputSampler.Sampler<Text, Text> sampler = new InputSampler.RandomSampler<>(0.1, 3, 100);
// 将采样数据写入到分区文件中
InputSampler.writePartitionFile(job, sampler);
job.setMapperClass(TotalMapper.class);
job.setReducerClass(TotalReducer.class);
// 设置分区类。job.setPartitionerClass(TotalOrderPartitioner.class);
return job.waitForCompletion(true) ? 0 : 1;
}
public static void main(String[] args)throws Exception{// int exitCode = ToolRunner.run(new TotalDriver(), new String[] {"data/job/input", "data/job/output", "data/job/partition","data/job/partitio2"});
int exitCode = ToolRunner.run(new TotalDriver(), args);
System.exit(exitCode);
}
}后果和第二种实现相似，须要留神 只在集群测试时候才无效，本地测试可能会报错
2020-09-20 16:36:10,664 WARN [org.apache.hadoop.util.NativeCodeLoader] - Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
Exception in thread "main" java.lang.ArrayIndexOutOfBoundsException: 0
at com.hoult.mr.job.totalsort.TotalDriver.run(TotalDriver.java:32)
at org.apache.hadoop.util.ToolRunner.run(ToolRunner.java:76)
at org.apache.hadoop.util.ToolRunner.run(ToolRunner.java:90)
at com.hoult.mr.job.totalsort.TotalDriver.main(TotalDriver.java:60)吴邪，小三爷，混迹于后盾，大数据，人工智能畛域的小菜鸟。
更多请关注
<center> <img src=”https://raw.githubusercontent.com/hulichao/myblog_pic/master/blog/wechat.png” width=”40%” /> </center>
正文完