hadoop patition 分区简介和自定义

0 简介：

0) 类比于新生<k,v>入学，不同的学生实现分配好了宿舍，然后进入到不同的宿舍(reduce task)

如果map发送来的数据量太大，意味着这些数据都到这个默认reduce节点执行，没有发挥reduce

并行计算的目的，IO压力也很大。这就是分区的原因。

a) 默认下分配一个区

b) 分配几个区，则对应几个reduce任务，每个任务在执行的时候都会公用reduce内的代码

c) 自定义分区下返回的分区数量一定要和定义的reduce任务相同，具体来说就是：

自定义分区类 extends HashPartitioner，重写getPartition时，返回的分支个数要和

job.setNumReduceTasks(X); 中的X个数相同

扫描二维码关注公众号，回复： 527573 查看本文章

如果分区格式和reducetask任务个数不同下，在hadoop不同版本中的运行情况如下：

  HashPartitioner.java  key.hashcode() & integer.maxvalue % numreducetasks =  模1恒等于0 返回值恒为0 返回值是分区的标记或者索引 part-00000 part-00001 等等
	   默认的是job.setPartitionerClass(HashPartitioner.class)  自定义分区返回的是索引数字，从0开始依次递增1返回。
	   以 手机号和座机号写在一个文件中为例：
	   如果分区数量 大于/小于 reduce数量时, 
	   2个分区 1个reduce --->  hadoop2中依旧能正常执行 只不过不会分区 所有数据都写到一个输出中   hadoop1中会报错
	   2个分区 4个reduce --->  hadoop2中依旧能正常执行 输出结果写到4个区中，第一个分区结果为手机号 第二个为座机号 剩下两个为空文件 所有数据都写到一个输出中

d) 需要打包放在hadoop环境内运行，否则在本机运行eg:eclipse环境下，会报错如下：

14/12/09 14:12:58 WARN mapred.LocalJobRunner: job_local_0001
java.io.IOException: Illegal partition for 84138413 (1)

map-shuffle-reduce过程图如下：

1 代码

结果处理成2个区，一个是放手机号的一个是放固话的：

package partition;

import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
import java.net.URI;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.Writable;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
import org.apache.hadoop.mapreduce.lib.partition.HashPartitioner;

/**
 * 
 * 实现单词计数功能，指定分区个数（分区下必须通过打包方式来运行）
 * 1 自定义规约
 * 	1.1  规约定义好处：Combiner发生在Map端，对数据进行规约处理，数据量变小了，传送到reduce端的数据量变小了，传输时间变短，作业的整体时间变短
 *  1.2 因为不是所有的算法都适合使用Combiner处理，例如求平均数,因此Combiner不作为MR运行的标配
 *  1.3 Combiner本身已经执行了reduce操作仅仅是处理一个任务所接收的文件中的数据，不能跨map任务执行；只有reduce可以接收多个map任务处理的数据
 *      这也是Combiner本身已经执行了reduce操作，为什么在Reducer阶段还要执行reduce操作的原因。
 * 2 自定义分区
 *   2.1 分区运行必须打成jar运行
 *   2.2 map分几个区，则reduce有几个任务数量，每个reduce任务将对应一个输出文件
 *   2.3 分区不是越多越好，要根据业务需求，分区太多，也会造成资源创建，等待等消耗
 *   2.4 多个reduce任务在运行的好处是提高整体job的运行效率
 *   
 *   结果处理成2个区， 一个是放手机号的 一个是放固话的
 *  [root@master ~]# hadoop fs -ls /out
Warning: $HADOOP_HOME is deprecated.

Found 4 items
-rw-r--r--   1 root supergroup          0 2014-08-24 16:02 /out/_SUCCESS
drwxr-xr-x   - root supergroup          0 2014-08-24 16:02 /out/_logs
-rw-r--r--   1 root supergroup        556 2014-08-24 16:02 /out/part-r-00000
-rw-r--r--   1 root supergroup         79 2014-08-24 16:02 /out/part-r-00001

 */
public class KpiAppPatition {



	// 0 定义操作地址
	static final String FILE_ROOT = "hdfs://master:9000/";
	static final String INPUT_PATH = "hdfs://master:9000/hello";
	static final String OUT_PATH = "hdfs://master:9000/out";
	
	public static void main(String[] args) throws Exception{
		
		Configuration conf = new Configuration();
		FileSystem fileSystem = FileSystem.get(new URI(FILE_ROOT),conf);
		Path outpath = new Path(OUT_PATH);
		if(fileSystem.exists(outpath)){
			fileSystem.delete(outpath, true);
		}
		
		// 0 定义干活的人
		Job job = new Job(conf);
		job.setJarByClass(KpiAppPatition.class);
		// 1.1 告诉干活的人 输入流位置     读取hdfs中的文件。每一行解析成一个<k,v>。每一个键值对调用一次map函数
		FileInputFormat.setInputPaths(job, INPUT_PATH);
		// 指定如何对输入文件进行格式化，把输入文件每一行解析成键值对
		job.setInputFormatClass(TextInputFormat.class);
		
		//1.2 指定自定义的map类
		job.setMapperClass(MyMapper2.class);
		job.setMapOutputKeyClass(Text.class);
		job.setMapOutputValueClass(KpiWritable2.class);
		
		//1.3 分区
		job.setPartitionerClass(KpiPartitioner.class);
		job.setNumReduceTasks(2);
		
		//1.4 TODO 排序、分组    目前按照默认方式执行
		//1.5 TODO 规约
		
		//2.2 指定自定义reduce类
		job.setReducerClass(MyReducer2.class);
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(LongWritable.class);
		
		//2.3 指定写出到哪里
		FileOutputFormat.setOutputPath(job, outpath);
		job.setOutputFormatClass(TextOutputFormat.class);
		
		// 让干活的人干活
		job.waitForCompletion(true);
		
	}
}

// 自定义分区写法如 注意返回的值是从0开始依次累加1的int值，不能跳跃
// 否则报错 说找不到编号为X的
// 你的reduce有几个，那么就会从0开始以1为累加数字返回对应个数的分区编码 然后
// 在去你代码里找对应编码  代码中随意返回patition的num 找不到就会报错
class KpiPartitioner extends HashPartitioner<Text, KpiWritable2>{
	@Override
	public int getPartition(Text key, KpiWritable2 value, int numReduceTasks) {
		System.out.println("KpiPartitioner numReduceTasks is : " + numReduceTasks );
		return (key.toString().length()==11)?0:1; // key为key2 即 电话号码，这里 如果是手机号（11位）则返回0，否则返回1 这样会生成2个分区，1个存放手机号的 1个存放固话的
	}
}

/**
 * 将 <k1,v1> --->  <k2,v2>
 * @author zm
 */
class MyMapper2 extends Mapper<LongWritable, Text, Text, KpiWritable2>{

	/**
	 * key 表示k1 即 当前行号
	 * value 表示v1 即当前行内容
	 */
	@Override
	protected void map(LongWritable k1, Text v1, Context context)
			throws IOException, InterruptedException {
		//格式: 1363157990043 	13925057413	00-1F-64-E1-E6-9A:CMCC	120.196.100.55	t3.baidu.com	搜索引擎	69	63	11058	48243	200
		String[] elements = v1.toString().split("\t");
		String phoneNum = elements[1];
		KpiWritable2 v2 = new KpiWritable2(elements[6],elements[7],elements[8],elements[9]);
		Text k2 = new Text(phoneNum);
		context.write(k2, v2);
	}
}

/**
 * 将 <k2,v2> --->  <k3,v3>
 * @author zm
 */
class MyReducer2 extends Reducer<Text, KpiWritable2,Text, LongWritable>{

	protected void reduce(Text k2, Iterable<KpiWritable2> v2s,
			org.apache.hadoop.mapreduce.Reducer.Context context)
			throws IOException, InterruptedException {
		
		long upPackNum = 0L;
		long downPackNum = 0L;
		long upPayLoad = 0L;
		long downPayLoad = 0L;
		
		for(KpiWritable2 kpiWritable1 : v2s){
			upPackNum = kpiWritable1.upPackNum;
			downPackNum = kpiWritable1.downPackNum;
			upPayLoad = kpiWritable1.upPayLoad;
			downPayLoad = kpiWritable1.downPayLoad;
		}
		
		KpiWritable2 v3 = new KpiWritable2(upPackNum+"",downPackNum+"",upPayLoad+"",downPayLoad+"");
		context.write(k2, v3);
	}
	
	
}


/**
 * 自定义类型类，里面封装 上网流量信息
 * @author zm
 *
 */
class KpiWritable2 implements Writable{
	
	long upPackNum; // 上传数据包个数
	long downPackNum;// 下载数据包个数
	long upPayLoad;// 上传数据
	long downPayLoad;// 下载数据

	public KpiWritable2(String upPackNum,String downPackNum,String upPayLoad,String downPayLoad){
		this.upPackNum = Long.parseLong(upPackNum);
		this.downPackNum = Long.parseLong(downPackNum);
		this.upPayLoad = Long.parseLong(upPayLoad);
		this.downPayLoad = Long.parseLong(downPayLoad);
	}
	
	public KpiWritable2(){}
	
	@Override
	public void write(DataOutput out) throws IOException {
		// 先写后读
		out.writeLong(this.upPackNum);
		out.writeLong(this.downPackNum);
		out.writeLong(this.upPayLoad);
		out.writeLong(this.downPayLoad);
	}

	@Override
	public void readFields(DataInput in) throws IOException {
		// 读取的时候， 按照写方法的顺序( 队列方式) 顺序读取
		this.upPackNum = in.readLong();
		this.downPackNum = in.readLong();
		this.upPayLoad = in.readLong();
		this.downPayLoad = in.readLong();
	}
	
	@Override
	public String toString() {
		return upPackNum + "\t" + downPackNum + "\t" + upPayLoad + "\t" + downPayLoad;
	}
}

hadoop patition 分区简介和自定义

猜你喜欢