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529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:402条
  • 分类总数:31个
  • 标签总数:44个
  • 运行时间:1013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
  • 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?
  • linxh: 班门弄斧一下: ssh host cmd 和直接ssh上后cmd结果不一样是因为ssh直接运行远程命令 是非交互非登录模式与ssh上去得到一个登录交互式Shell二 者加载的环境变量不一样。
  • 匿名: 其实文本分类和数字分类是一样的,只是文本分类需要多一个步骤, 就是计算它的tf-idf值将其转换为double类型
  • yurnom: 可能苹果最近又改变了返回值吧,最近没做测试了。 BadDeviceToken一般测试环境和正式环境弄错的情况 下会出现。
  • Anonymous: :razz: 博主,良心贴啊, 最近也在弄apns推送。 有个问题想请教你一下啊。 你博客中写的 Unregistered 错误,有准确的说明吗, 我看你博客中写的:...
  • 一波清泉: 回复邮箱: 1004161699@qq.com 多谢
  • Anonymous: 17/02/09 01:15:02 WARN Utils: Service ‘SparkUI’ could not bind on port 4040. Attempting port...
  • pacificLee: :twisted:
  • 小码: 为什么没有后面的呢,只有前10个
  • Anonymous: :lol:
  • Anonymous: :razz: 楼主是属于会聊天的。 我想问,sqoop发了几个版本了,应该没这些问题了吧。
  • Anonymous: Config.kafkaConfig.kafkaGroupI d 这个是指自己配置的group id 还是从 import org.apache.kafka.common.config .Config 这个类...
  • Anonymous: ZkUtils.getPartitionsForTopics (zkClient, Config.kafkaConfig.topic) 那个方法是在 spark-streaming_2.10 中 kafka...
  • Anonymous: ZkUtils.getPartitionsForTopics (zkClient, Config.kafkaConfig.topic) 你确定 kafka 里面有这个类 ? 个人在kafka 最新 稳定版...
  • Anonymous: :roll:
  • Anonymous: 很不错,试问有java版的吗?
  • Anonymous: 赞
  • Anonymous: 哈哈 看楼主的吐槽乐死了 where子句是可以写的 同样找不到资料 一点点试出来的 select id from xxxx where ${CONDITIONS} and 1=1 and 2=2 limit 4