程序员的自我修养
Home » Apache Hadoop, Java语言 » mapreduce二次排序

mapreduce二次排序

0条评论827次浏览

之前离职的哥们的mr任务留了一堆的坑,他把value当成排序过的,于是reduce里面全部是如此统计dau、设备数的:

心好累,手动微笑。

正所谓前人挖坑后人填,我不入地狱谁入地狱。于是开始一个个mr的改代码。

方法一:用set统计

用set的好处就是改动极小,但存在oom的风险。实际跑了下线上的数据,果然oom了。摔!

方法二:bloom filter

好处是改动也不大,也不会oom,但就统计的结果可能会比实际的值要小。考虑到数据量也没有大到要用bloom filter的地步,且希望数据尽量的精准,放弃!

方法三:mr二次排序

好处是所有需求都满足了,坏处就是改动太大!

我理解的二次排序:根据多列来进行排序,实现的方法就是将这多列抽象为一个class,写好class的compareTo方法,这样就能根据多列来排序了。同时需要保证原来的逻辑不变,即只根据原有的key来partition,并且根据原有的key来进行group。

示例:

原文件:

key1 v3
key2 v8
key1 v1
key2 v2
key2 v1
key2 v7
key1 v6

最终结果:

key1 v1
key1 v3
key1 v6
key2 v1
key2 v2
key2 v7
key2 v8

key的设置

CombinationKey为抽象的key class。需要设置CombinationKey()构造函数,否则报错。

分区函数的设置

CombinationPartitioner为分区函数,若不设置,默认会根据key的hash值来分区,这样意味着同样appkey不同deviceId的记录会分配到不同的reduce上去,显然不符合预期。所以改成只根据appkey的hash值来分区。

分组函数的设置

GroupingComparator为分组函数,若不设置,默认是根据key来进行分组的,意味着同样appkey不同deviceId的记录不在一个组。

若在reduce开始write一行标识行"-------",不加GroupingComparator,则输出结果是:

-------
key1 v1
-------
key1 v3
-------
key1 v6
-------
key2 v1
-------
key2 v2
-------
key2 v7
-------
key2 v8

若添加GroupingComparator,则输出结果是:

-------
key1 v1
key1 v3
key1 v6
-------
key2 v1
key2 v2
key2 v7
key2 v8

job设置

至此,二次排序就搞定了。记得在job中设置:

(转载本站文章请注明作者和出处 程序员的自我修养 – SelfUp.cn ,请勿用于任何商业用途)
标签:,
发表评论


profile
  • 文章总数:79篇
  • 评论总数:280条
  • 分类总数:31个
  • 标签总数:44个
  • 运行时间:1130天

大家好,欢迎来到selfup.cn。

这不是一个只谈技术的博客,这里记录我成长的点点滴滴,coding、riding and everthing!

最新评论
  • 张瑞昌: 有很多,比较常见的是Jacob迭代法,一次迭代O(n^3), 迭代次数不清楚。 如果是手动算的话按照定义求就可以了
  • Anonymous: :mrgreen:
  • lc277: 你好 我想问下一般删除节点要多久,要删除的datanode大概用了 1t,解除授权已经30多小时还没完成,请问是出现什么问题了吗 麻烦告诉下谢谢 qq1844554123
  • Anonymous: 你好 我想问下一般删除节点要多久,要删除的datanode大概用了 1t,解除授权已经30多小时还没完成,请问是出现什么问题了吗
  • Anonymous: :smile: :grin: :eek:
  • 李雪璇: 想要完整代码,可以帮忙发给我吗
  • Anonymous: 请问一下,那个 user的推荐结果楼主查看了么? 为什么输入数据 最高是五分,输出结果都是7分8分啥的?怎么设置输出的分数的最 大值?
  • Anonymous: 那个 user的推荐结果楼主查看了么? 为什么输入数据 最高是五分,输出结果都是7分8分啥的?
  • Anonymous: stopGracefullyOnShutdown在yarn- client模式下我测试的无效,你的呢
  • Anonymous: 另外,import的lib包能否发个列表.
  • Anonymous: 部分程序已经无法使用, 另外 你的import代码 也应该放上来哈
  • wzq: 赞
  • 增达网: 受教了!呵呵!
  • Anonymous: :!: :smile: :oops: :grin: :eek: :shock:
  • 27: :razz: dsa会报错,rsa不会
  • Anonymous: 看错了 忽略我
  • Anonymous: UserSideCF这个类在哪里
  • 晴子: 在主节点初始化CM5数据库的时候报错误:Verifying that we can write to /opt/cm-5.9.0/etc/cloudera-scm -server log4j:ERROR Could not...
  • zhangnew: 就4题 :?:
  • linxh: “ 但要是遇到预先并不知道数组的长度而又需要获取正确的(或者称之 为原始的)split长度时,该如何处理呢。。? ” 印象中可以split函数参数传-1?