原创：http://blog.csdn.net/lzm1340458776/article/details/42875751#comments
一、概述
MapReduce框架对处理结果的输出会根据key值进行默认的排序，这个默认排序可以满足一部分需求，但是也是十分有限的，在我们实际的需求当中，往往有要对reduce输出结果进行二次排序的需求。对于二次排序的实现，网络上已经有很多人分享过了，但是对二次排序的实现原理及整个MapReduce框架的处理流程的分析还是有非常大的出入，而且部分分析是没有经过验证的。本文将通过一个实际的MapReduce二次排序的例子，讲述二次排序的实现和其MapReduce的整个处理流程，并且通过结果和Map、Reduce端的日志来验证描述的处理流程的正确性。
二、需求描述
1.输入数据
[java] view plain copy sort1 1 sort2 3 sort2 88 sort2 54 sort1 2 sort6 22 sort6 888 sort6 58
2.目标输出
[java] view plain copy sort1 1,2 sort2 3,54,88 sort6 22,58,888 三、解决思路
1.首先，在思考解决问题思路时，我们应该先深刻的理解MapReduce处理数据的整个流程，这是最基础的，不然的话是不可能找到解决问题的思路的。我描述一下MapReduce处理数据的大概流程：首先，MapReduce框架通过getSplits()方法实现对原始文件的切片之后，每一个切片对应着一个MapTask，InputSplit输入到map()函数进行处理，中间结果经过环形缓冲区的排序，然后分区、自定义二次排序(如果有的话)和合并，再通过Shuffle操作将数据传输到reduce Task端，reduce端也存在着缓冲区，数据也会在缓冲区和磁盘中进行合并排序等操作，然后对数据按照key值进行分组，然后每处理完一个分组之后就会去调用一次reduce()函数，最终输出结果。大概流程 我画了一下，如下图：
2.具体解决思路
(1)：Map端处理
根据上面的需求，我们有一个非常明确的目标就是要对第一列相同的记录，并且对合并后的数字进行排序。我们都知道MapReduce框架不管是默认排序或者是自定义排序都只是对key值进行排序，现在的情况是这些数据不是key值，怎么办？其实我们可以将原始数据的key值和其对应的数据组合成一个新的key值，然后新的key值对应的value还是原始数据中的valu。那么我们就可以将原始数据的map输出变成类似下面的数据结构：
[java] view plain copy {[sort1,1],1} {[sort2,3],3} {[sort2,88],88} {[sort2,54],54} {[sort1,2],2} {[sort6,22],22} {[sort6,888],888} {[sort6,58],58} 那么我们只需要对[]里面的心key值进行排序就OK了，然后我们需要自定义一个分区处理器，因为我的目标不是想将新key相同的记录传到一个reduce中，而是想将新key中第一个字段相同的记录放到同一个reduce中进行分组合并，所以我们需要根据新key值的第一个字段来自定义一个分区处理器。通过分区操作后，得到的数据流如下：
[java] view plain copy Partition1：{[sort1,1],1}、{[sort1,2],2} Partition2：{[sort2,3],3}、{[sort2,88],88}、{[sort2,54],54} Partition3：{[sort6,22],22}、{[sort6,888],888}、{[sort6,58],58} 分区操作完成之后，我调用自己的自定义排序器对新的key值进行排序。
[java] view plain copy {[sort1,1],1} {[sort1,2],2} {[sort2,3],3} {[sort2,54],54} {[sort2,88],88} {[sort6,22],22} {[sort6,58],58} {[sort6,888],888}
(2).Reduce端处理
经过Shuffle处理之后，数据传输到Reducer端了。在Reducer端按照组合键的第一个字段进行分组，并且每处理完一次分组之后就会调用一次reduce函数来对这个分组进行处理和输出。最终各个分组的数据结果变成类似下面的数据结构：
[java] view plain copy sort1 1,2 sort2 3,54,88 sort6 22,58,888
四、具体实现
1.自定义组合键
[java] view plain copy public class CombinationKey implements WritableComparable<CombinationKey>{ private Text firstKey; private IntWritable secondKey; //无参构造函数 public CombinationKey() { this.firstKey = new Text(); this.secondKey = new IntWritable(); } //有参构造函数 public CombinationKey(Text firstKey, IntWritable secondKey) { this.firstKey = firstKey; this.secondKey = secondKey; } public Text getFirstKey() { return firstKey; } public void setFirstKey(Text firstKey) { this.firstKey = firstKey; } public IntWritable getSecondKey() { return secondKey; } public void setSecondKey(IntWritable secondKey) { this.secondKey = secondKey; } public void write(DataOutput out) throws IOException { this.firstKey.write(out); this.secondKey.write(out); } public void readFields(DataInput in) throws IOException { this.firstKey.readFields(in); this.secondKey.readFields(in); } /*public int compareTo(CombinationKey combinationKey) { int minus = this.getFirstKey().compareTo(combinationKey.getFirstKey()); if (minus != 0){ return minus; } return this.getSecondKey().get() - combinationKey.getSecondKey().get(); }*/ /** * 自定义比较策略 * 注意：该比较策略用于MapReduce的第一次默认排序 * 也就是发生在Map端的sort阶段 * 发生地点为环形缓冲区(可以通过io.sort.mb进行大小调整) */ public int compareTo(CombinationKey combinationKey) { System.out.println("------------------------CombineKey flag-------------------"); return this.firstKey.compareTo(combinationKey.getFirstKey()); } @Override public int hashCode() { final int prime = 31; int result = 1; result = prime * result + ((firstKey == null) ? 0 : firstKey.hashCode()); return result; } @Override public boolean equals(Object obj) { if (this == obj) return true; if (obj == null) return false; if (getClass() != obj.getClass()) return false; CombinationKey other = (CombinationKey) obj; if (firstKey == null) { if (other.firstKey != null) return false; } else if (!firstKey.equals(other.firstKey)) return false; return true; } } 说明：在自定义组合键的时候，我们需要特别注意， 一定要实现WritableComparable接口，并且实现compareTo()方法的比较策略。这个用于MapReduce的第一次默认排序，也就是发生在Map阶段的sort小阶段，发生地点为环形缓冲区(可以通过io.sort.mb进行大小调整)， 但是其对我们最终的二次排序结果是没有影响的，我们二次排序的最终结果是由我们的自定义比较器决定的。
2.自定义分区器
[java] view plain copy /** * 自定义分区 * @author 廖钟*民 * time : 2015年1月19日下午12:13:54 * @version */ public class DefinedPartition extends Partitioner<CombinationKey, IntWritable>{ /** * 数据输入来源：分区是在map输出结果之后，map输出 我们这里根据组合键的第一个值作为分区 * 如果不自定义分区的话，MapReduce会根据默认的Hash分区方法 * 将整个组合键相等的分到一个分区中，这样的话显然不是我们要的效果 * @param key map输出键值 * @param value map输出value值 * @param numPartitions 分区总数，即reduce task个数 */ public int getPartition(CombinationKey key, IntWritable value, int numPartitions) { System.out.println("---------------------进入自定义分区---------------------"); System.out.println("---------------------结束自定义分区---------------------"); return (key.getFirstKey().hashCode() & Integer.MAX_VALUE) % numPartitions; } } 3.自定义比较器
[java] view plain copy public class DefinedComparator extends WritableComparator{ protected DefinedComparator() { super(CombinationKey.class,true); } /** * 第一列按升序排列，第二列也按升序排列 */ public int compare(WritableComparable a, WritableComparable b) { System.out.println("------------------进入二次排序-------------------"); CombinationKey c1 = (CombinationKey) a; CombinationKey c2 = (CombinationKey) b; int minus = c1.getFirstKey().compareTo(c2.getFirstKey()); if (minus != 0){ System.out.println("------------------结束二次排序-------------------"); return minus; } else { System.out.println("------------------结束二次排序-------------------"); return c1.getSecondKey().get() -c2.getSecondKey().get(); } } } 4.自定义分组，在shuffle结束后准备进入reduce之前进行分组，每一组走一次reduce方法。
[java] view plain copy /** * 自定义分组有中方式，一种是继承WritableComparator * 另外一种是实现RawComparator接口 * @author 廖*民 * time : 2015年1月19日下午3:30:11 * @version */ public class DefinedGroupSort extends WritableComparator{ protected DefinedGroupSort() { super(CombinationKey.class,true); } @Override public int compare(WritableComparable a, WritableComparable b) { System.out.println("---------------------进入自定义分组---------------------"); CombinationKey combinationKey1 = (CombinationKey) a; CombinationKey combinationKey2 = (CombinationKey) b; System.out.println("---------------------分组结果：" + combinationKey1.getFirstKey().compareTo(combinationKey2.getFirstKey())); System.out.println("---------------------结束自定义分组---------------------"); //自定义按原始数据中第一个key分组 return combinationKey1.getFirstKey().compareTo(combinationKey2.getFirstKey()); } } 5.主体程序实现
[java] view plain copy public class SecondSortMapReduce { // 定义输入路径 private static final String INPUT_PATH = "hdfs://liaozhongmin:9000/sort_data"; // 定义输出路径 private static final String OUT_PATH = "hdfs://liaozhongmin:9000/out"; public static void main(String[] args) { try { // 创建配置信息 Configuration conf = new Configuration(); conf.set(KeyValueLineRecordReader.KEY_VALUE_SEPERATOR, "\t"); // 创建文件系统 FileSystem fileSystem = FileSystem.get(new URI(OUT_PATH), conf); // 如果输出目录存在，我们就删除 if (fileSystem.exists(new Path(OUT_PATH))) { fileSystem.delete(new Path(OUT_PATH), true); } // 创建任务 Job job = new Job(conf, SecondSortMapReduce.class.getName()); //1.1 设置输入目录和设置输入数据格式化的类 FileInputFormat.setInputPaths(job, INPUT_PATH); job.setInputFormatClass(KeyValueTextInputFormat.class); //1.2 设置自定义Mapper类和设置map函数输出数据的key和value的类型 job.setMapperClass(SecondSortMapper.class); job.setMapOutputKeyClass(CombinationKey.class); job.setMapOutputValueClass(IntWritable.class); //1.3 设置分区和reduce数量(reduce的数量，和分区的数量对应，因为分区为一个，所以reduce的数量也是一个) job.setPartitionerClass(DefinedPartition.class); job.setNumReduceTasks(1); //设置自定义分组策略 job.setGroupingComparatorClass(DefinedGroupSort.class); //设置自定义比较策略(因为我的CombineKey重写了compareTo方法，所以这个可以省略) job.setSortComparatorClass(DefinedComparator.class); //1.4 排序 //1.5 归约 //2.1 Shuffle把数据从Map端拷贝到Reduce端。 //2.2 指定Reducer类和输出key和value的类型 job.setReducerClass(SecondSortReducer.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(Text.class); //2.3 指定输出的路径和设置输出的格式化类 FileOutputFormat.setOutputPath(job, new Path(OUT_PATH)); job.setOutputFormatClass(TextOutputFormat.class); // 提交作业 退出 System.exit(job.waitForCompletion(true) ? 0 : 1); } catch (Exception e) { e.printStackTrace(); } } public static class SecondSortMapper extends Mapper<Text, Text, CombinationKey, IntWritable>{ /** * 这里要特殊说明一下，为什么要将这些变量写在map函数外边 * 对于分布式的程序，我们一定要注意到内存的使用情况，对于MapReduce框架 * 每一行的原始记录的处理都要调用一次map()函数，假设，这个map()函数要处理1一亿 * 条输入记录，如果将这些变量都定义在map函数里面则会导致这4个变量的对象句柄 * 非常的多(极端情况下将产生4*1亿个句柄，当然java也是有自动的GC机制的，一定不会达到这么多) * 导致栈内存被浪费掉，我们将其写在map函数外面，顶多就只有4个对象句柄 */ private CombinationKey combinationKey = new CombinationKey(); Text sortName = new Text(); IntWritable score = new IntWritable(); String[] splits = null; protected void map(Text key, Text value, Mapper<Text, Text, CombinationKey, IntWritable>.Context context) throws IOException, InterruptedException { System.out.println("---------------------进入map()函数---------------------"); //过滤非法记录(这里用计数器比较好) if (key == null || value == null || key.toString().equals("")){ return; } //构造相关属性 sortName.set(key.toString()); score.set(Integer.parseInt(value.toString())); //设置联合key combinationKey.setFirstKey(sortName); combinationKey.setSecondKey(score); //通过context把map处理后的结果输出 context.write(combinationKey, score); System.out.println("---------------------结束map()函数---------------------"); } } public static class SecondSortReducer extends Reducer<CombinationKey, IntWritable, Text, Text>{ StringBuffer sb = new StringBuffer(); Text score = new Text(); /** * 这里要注意一下reduce的调用时机和次数： * reduce每次处理一个分组的时候会调用一次reduce函数。 * 所谓的分组就是将相同的key对应的value放在一个集合中 * 例如：<sort1,1> <sort1,2> * 分组后的结果就是 * <sort1,{1,2}>这个分组会调用一次reduce函数 */ protected void reduce(CombinationKey key, Iterable<IntWritable> values, Reducer<CombinationKey, IntWritable, Text, Text>.Context context) throws IOException, InterruptedException { //先清除上一个组的数据 sb.delete(0, sb.length()); for (IntWritable val : values){ sb.append(val.get() + ","); } //取出最后一个逗号 if (sb.length() > 0){ sb.deleteCharAt(sb.length() - 1); } //设置写出去的value score.set(sb.toString()); //将联合Key的第一个元素作为新的key，将score作为value写出去 context.write(key.getFirstKey(), score); System.out.println("---------------------进入reduce()函数---------------------"); System.out.println("---------------------{[" + key.getFirstKey()+"," + key.getSecondKey() + "],[" +score +"]}"); System.out.println("---------------------结束reduce()函数---------------------"); } } } 程序运行的结果：
五、处理流程
看到前面的代码，都知道我在各个组件上已经设置好了相应的标志，用于追踪整个MapReduce处理二次排序的处理流程。现在让我们分别看看Map端和Reduce端的日志情况。
(1)Map端日志分析
[java] view plain copy 15/01/19 15:32:29 INFO input.FileInputFormat: Total input paths to process : 1 15/01/19 15:32:29 WARN snappy.LoadSnappy: Snappy native library not loaded 15/01/19 15:32:30 INFO mapred.JobClient: Running job: job_local_0001 15/01/19 15:32:30 INFO mapred.Task: Using ResourceCalculatorPlugin : null 15/01/19 15:32:30 INFO mapred.MapTask: io.sort.mb = 100 15/01/19 15:32:30 INFO mapred.MapTask: data buffer = 79691776/99614720 15/01/19 15:32:30 INFO mapred.MapTask: record buffer = 262144/327680 ---------------------进入map()函数--------------------- ---------------------进入自定义分区--------------------- ---------------------结束自定义分区--------------------- ---------------------结束map()函数--------------------- ---------------------进入map()函数--------------------- ---------------------进入自定义分区--------------------- ---------------------结束自定义分区--------------------- ---------------------结束map()函数--------------------- ---------------------进入map()函数--------------------- ---------------------进入自定义分区--------------------- ---------------------结束自定义分区--------------------- ---------------------结束map()函数--------------------- ---------------------进入map()函数--------------------- ---------------------进入自定义分区--------------------- ---------------------结束自定义分区--------------------- ---------------------结束map()函数--------------------- ---------------------进入map()函数--------------------- ---------------------进入自定义分区--------------------- ---------------------结束自定义分区--------------------- ---------------------结束map()函数--------------------- ---------------------进入map()函数--------------------- ---------------------进入自定义分区--------------------- ---------------------结束自定义分区--------------------- ---------------------结束map()函数--------------------- ---------------------进入map()函数--------------------- ---------------------进入自定义分区--------------------- ---------------------结束自定义分区--------------------- ---------------------结束map()函数--------------------- ---------------------进入map()函数--------------------- ---------------------进入自定义分区--------------------- ---------------------结束自定义分区--------------------- ---------------------结束map()函数--------------------- 15/01/19 15:32:30 INFO mapred.MapTask: Starting flush of map output ------------------进入二次排序------------------- ------------------结束二次排序------------------- ------------------进入二次排序------------------- ------------------结束二次排序------------------- ------------------进入二次排序------------------- ------------------结束二次排序------------------- ------------------进入二次排序------------------- ------------------结束二次排序------------------- ------------------进入二次排序------------------- ------------------结束二次排序------------------- ------------------进入二次排序------------------- ------------------结束二次排序------------------- ------------------进入二次排序------------------- ------------------结束二次排序------------------- ------------------进入二次排序------------------- ------------------结束二次排序------------------- ------------------进入二次排序------------------- ------------------结束二次排序------------------- ------------------进入二次排序------------------- ------------------结束二次排序------------------- ------------------进入二次排序------------------- ------------------结束二次排序------------------- ------------------进入二次排序------------------- ------------------结束二次排序------------------- 15/01/19 15:32:30 INFO mapred.MapTask: Finished spill 0 15/01/19 15:32:30 INFO mapred.Task: Task:attempt_local_0001_m_000000_0 is done. And is in the process of commiting 15/01/19 15:32:30 INFO mapred.LocalJobRunner: 15/01/19 15:32:30 INFO mapred.Task: Task 'attempt_local_0001_m_000000_0' done. 15/01/19 15:32:30 INFO mapred.Task: Using ResourceCalculatorPlugin : null 15/01/19 15:32:30 INFO mapred.LocalJobRunner: 从Map端的日志，我们可以很容易的看出来每一条记录开始时进入到map()函数进行处理，处理完了之后立马就自定义分区函数中对其进行分区，当所有输入数据经过map()函数和分区函数处理之后，就调用自定义二次排序函数对其进行排序。
(2)Reduce端日志分析
[java] view plain copy 15/01/19 15:32:30 INFO mapred.Merger: Merging 1 sorted segments 15/01/19 15:32:30 INFO mapred.Merger: Down to the last merge-pass, with 1 segments left of total size: 130 bytes 15/01/19 15:32:30 INFO mapred.LocalJobRunner: ---------------------进入自定义分组--------------------- ---------------------分组结果：0 ---------------------结束自定义分组--------------------- ---------------------进入自定义分组--------------------- ---------------------分组结果：-1 ---------------------结束自定义分组--------------------- ---------------------进入reduce()函数--------------------- ---------------------{[sort1,2],[1,2]} ---------------------结束reduce()函数--------------------- ---------------------进入自定义分组--------------------- ---------------------分组结果：0 ---------------------结束自定义分组--------------------- ---------------------进入自定义分组--------------------- ---------------------分组结果：0 ---------------------结束自定义分组--------------------- ---------------------进入自定义分组--------------------- ---------------------分组结果：-4 ---------------------结束自定义分组--------------------- ---------------------进入reduce()函数--------------------- ---------------------{[sort2,88],[3,54,88]} ---------------------结束reduce()函数--------------------- ---------------------进入自定义分组--------------------- ---------------------分组结果：0 ---------------------结束自定义分组--------------------- ---------------------进入自定义分组--------------------- ---------------------分组结果：0 ---------------------结束自定义分组--------------------- ---------------------进入reduce()函数--------------------- ---------------------{[sort6,888],[22,58,888]} ---------------------结束reduce()函数--------------------- 15/01/19 15:32:30 INFO mapred.Task: Task:attempt_local_0001_r_000000_0 is done. And is in the process of commiting 15/01/19 15:32:30 INFO mapred.LocalJobRunner: 15/01/19 15:32:30 INFO mapred.Task: Task attempt_local_0001_r_000000_0 is allowed to commit now 15/01/19 15:32:30 INFO output.FileOutputCommitter: Saved output of task 'attempt_local_0001_r_000000_0' to hdfs://liaozhongmin:9000/out 15/01/19 15:32:30 INFO mapred.LocalJobRunner: reduce > reduce 15/01/19 15:32:30 INFO mapred.Task: Task 'attempt_local_0001_r_000000_0' done. 15/01/19 15:32:31 INFO mapred.JobClient: map 100% reduce 100% 15/01/19 15:32:31 INFO mapred.JobClient: Job complete: job_local_0001 15/01/19 15:32:31 INFO mapred.JobClient: Counters: 19 15/01/19 15:32:31 INFO mapred.JobClient: File Output Format Counters 15/01/19 15:32:31 INFO mapred.JobClient: Bytes Written=40 15/01/19 15:32:31 INFO mapred.JobClient: FileSystemCounters 15/01/19 15:32:31 INFO mapred.JobClient: FILE_BYTES_READ=446 15/01/19 15:32:31 INFO mapred.JobClient: HDFS_BYTES_READ=140 15/01/19 15:32:31 INFO mapred.JobClient: FILE_BYTES_WRITTEN=131394 15/01/19 15:32:31 INFO mapred.JobClient: HDFS_BYTES_WRITTEN=40 15/01/19 15:32:31 INFO mapred.JobClient: File Input Format Counters 15/01/19 15:32:31 INFO mapred.JobClient: Bytes Read=70 15/01/19 15:32:31 INFO mapred.JobClient: Map-Reduce Framework 15/01/19 15:32:31 INFO mapred.JobClient: Reduce input groups=3 15/01/19 15:32:31 INFO mapred.JobClient: Map output materialized bytes=134 15/01/19 15:32:31 INFO mapred.JobClient: Combine output records=0 15/01/19 15:32:31 INFO mapred.JobClient: Map input records=8 15/01/19 15:32:31 INFO mapred.JobClient: Reduce shuffle bytes=0 15/01/19 15:32:31 INFO mapred.JobClient: Reduce output records=3 15/01/19 15:32:31 INFO mapred.JobClient: Spilled Records=16 15/01/19 15:32:31 INFO mapred.JobClient: Map output bytes=112 15/01/19 15:32:31 INFO mapred.JobClient: Total committed heap usage (bytes)=391118848 15/01/19 15:32:31 INFO mapred.JobClient: Combine input records=0 15/01/19 15:32:31 INFO mapred.JobClient: Map output records=8 15/01/19 15:32:31 INFO mapred.JobClient: SPLIT_RAW_BYTES=99 15/01/19 15:32:31 INFO mapred.JobClient: Reduce input records=8 首先，我们看了Reduce端的日志，第一个信息我应该很容易能够很容易看出来， 就是分组和reduce()函数处理都是在Shuffle完成之后才进行的。另外一点我们也非常容易看出，就是每次处理完一个分组数据就会去调用一次的reduce()函数对这个分组进行处理和输出。 此外，说明一些分组函数的返回值问题，当返回0时才会被分到同一个组中。另外一点我们也可以看出来，一个分组中每合并n个值就会有n-1分组函数返回0值，也就是说进行了n-1次比较。
六、总结
本文主要从MapReduce框架执行的流程，去分析了如何去实现二次排序，通过代码进行了实现，并且对整个流程进行了验证。另外，要吐槽一下，网络上有很多文章都记录了MapReudce处理二次排序问题，但是对MapReduce框架整个处理流程的描述错漏很多，而且他们最终的流程描述也没有证据可以支撑。所以，对于网络上的学习资源不能够完全依赖，要融入自己的思想，并且要重要的观点进行代码或者实践的验证。另外，今天在一个Hadoop交流群上听到少部分人在讨论，有了Hive我们就不用学习些MapReduce程序？对这这个问题我是这么认为：我不相信写不好MapReduce程序的程序员会写好hive语句，最起码的他们对整个执行流程是一无所知的，更不用说性能问题了，有可能连最常见的数据倾斜问题的弄不清楚。 如果文章写的有问题，欢迎指出，共同学习！
