MapReduce如何实现自定义排序

MapReduce概念

是一种编程模型，用于大规模数据集(大于1TB)的并行运算。概念"Map(映射)"和"Reduce(归约)"，和它们的主要思想，都是从函数式编程语言里借来的，还有从矢量编程语言里借来的特性。它极大地方便了编程人员在不会分布式并行编程的情况下，将自己的程序运行在分布式系统上。 当前的软件实现是指定一个Map(映射)函数，用来把一组键值对映射成一组新的键值对，指定并发的Reduce(归约)函数，用来保证所有映射的键值对中的每一个共享相同的键组。

MapReduce提供了以下的主要功能:

1)数据划分和计算任务调度:

系统自动将一个作业(Job)待处理的大数据划分为很多个数据块，每个数据块对应于一个计算任务(Task)，并自动 调度计算节点来处理相应的数据块。作业和任务调度功能主要负责分配和调度计算节点(Map节点或Reduce节点)，同时负责监控这些节点的执行状态，并 负责Map节点执行的同步控制。

2)数据/代码互定位:

为了减少数据通信，一个基本原则是本地化数据处理，即一个计算节点尽可能处理其本地磁盘上所分布存储的数据，这实现了代码向 数据的迁移;当无法进行这种本地化数据处理时，再寻找其他可用节点并将数据从网络上传送给该节点(数据向代码迁移)，但将尽可能从数据所在的本地机架上寻 找可用节点以减少通信延迟。

3)系统优化:

为了减少数据通信开销，中间结果数据进入Reduce节点前会进行一定的合并处理;一个Reduce节点所处理的数据可能会来自多个 Map节点，为了避免Reduce计算阶段发生数据相关性，Map节点输出的中间结果需使用一定的策略进行适当的划分处理，保证相关性数据发送到同一个 Reduce节点;此外，系统还进行一些计算性能优化处理，如对最慢的计算任务采用多备份执行、选最快完成者作为结果。

4)出错检测和恢复:

以低端商用服务器构成的大规模MapReduce计算集群中，节点硬件(主机、磁盘、内存等)出错和软件出错是常态，因此 MapReduce需要能检测并隔离出错节点，并调度分配新的节点接管出错节点的计算任务。同时，系统还将维护数据存储的可靠性，用多备份冗余存储机制提 高数据存储的可靠性，并能及时检测和恢复出错的数据。

测试文本：

tom 20 8000nancy 22 8000ketty 22 9000stone 19 10000green 19 11000white 39 29000socrates 30 40000

   MapReduce中，根据key进行分区、排序、分组
MapReduce会按照基本类型对应的key进行排序，如int类型的IntWritable，long类型的LongWritable,Text类型，默认升序排序
   为什么要自定义排序规则？现有需求，需要自定义key类型，并自定义key的排序规则，如按照人的salary降序排序，若相同，则再按age升序排序
以Text类型为例：




Text类实现了WritableComparable接口，并且有write()、readFields()和compare()方法
readFields()方法：用来反序列化操作
write()方法：用来序列化操作
所以要想自定义类型用来排序需要有以上的方法
自定义类代码：

import org.apache.hadoop.io.WritableComparable;import java.io.DataInput;import java.io.DataOutput;import java.io.IOException;public class Person implements WritableComparable {    private String name;    private int age;    private int salary;    public Person() {    }    public Person(String name, int age, int salary) {        //super();        this.name = name;        this.age = age;        this.salary = salary;    }    public String getName() {        return name;    }    public void setName(String name) {        this.name = name;    }    public int getAge() {        return age;    }    public void setAge(int age) {        this.age = age;    }    public int getSalary() {        return salary;    }    public void setSalary(int salary) {        this.salary = salary;    }    @Override    public String toString() {        return this.salary + "  " + this.age + "    " + this.name;    }    //先比较salary，高的排序在前；若相同，age小的在前    public int compareTo(Person o) {        int compareResult1= this.salary - o.salary;        if(compareResult1 != 0) {            return -compareResult1;        } else {            return this.age - o.age;        }    }    //序列化，将NewKey转化成使用流传送的二进制    public void write(DataOutput dataOutput) throws IOException {        dataOutput.writeUTF(name);        dataOutput.writeInt(age);        dataOutput.writeInt(salary);    }    //使用in读字段的顺序，要与write方法中写的顺序保持一致    public void readFields(DataInput dataInput) throws IOException {        //read string        this.name = dataInput.readUTF();        this.age = dataInput.readInt();        this.salary = dataInput.readInt();    }}

MapReuduce程序：

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.NullWritable;import org.apache.hadoop.io.Text;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.output.FileOutputFormat;import java.io.IOException;import java.net.URI;public class  SecondarySort {    public static void main(String[] args) throws Exception {        System.setProperty("HADOOP_USER_NAME","hadoop2.7");        Configuration configuration = new Configuration();        //设置本地运行的mapreduce程序 jar包        configuration.set("mapreduce.job.jar","C:\\Users\\tanglei1\\IdeaProjects\\Hadooptang\\target\\com.kaikeba.hadoop-1.0-SNAPSHOT.jar");        Job job = Job.getInstance(configuration, SecondarySort.class.getSimpleName());        FileSystem fileSystem = FileSystem.get(URI.create(args[1]), configuration);        if (fileSystem.exists(new Path(args[1]))) {            fileSystem.delete(new Path(args[1]), true);        }        FileInputFormat.setInputPaths(job, new Path(args[0]));        job.setMapperClass(MyMap.class);        job.setMapOutputKeyClass(Person.class);        job.setMapOutputValueClass(NullWritable.class);        //设置reduce的个数        job.setNumReduceTasks(1);        job.setReducerClass(MyReduce.class);        job.setOutputKeyClass(Person.class);        job.setOutputValueClass(NullWritable.class);        FileOutputFormat.setOutputPath(job, new Path(args[1]));        job.waitForCompletion(true);    }    public static class MyMap extends            Mapper {        //LongWritable：输入参数键类型，Text：输入参数值类型        //Persion:输出参数键类型，NullWritable：输出参数值类型        @Override        //map的输出值是键值对，NullWritable说关心V的值        protected void map(LongWritable key, Text value,                Context context)                throws IOException, InterruptedException {            //LongWritable key：输入参数键值对的键，Text value：输入参数键值对的值            //获得一行数据，输入参数的键（距首行的位置）,Hadoop读取数据的时候逐行读取文本            //fields:代表着文本一行的的数据            String[] fields = value.toString().split(" ");            // 本列中文本一行数据：nancy 22 8000            String name = fields[0];            //字符串转换成int            int age = Integer.parseInt(fields[1]);            int salary = Integer.parseInt(fields[2]);            //在自定义类中进行比较            Person person = new Person(name, age, salary);            context.write(person, NullWritable.get());        }    }    public static class MyReduce extends            Reducer {        @Override        protected void reduce(Person key, Iterable values, Context context) throws IOException, InterruptedException {            context.write(key, NullWritable.get());        }    }}

运行结果：

40000  30    socrates29000  39    white11000  19    green10000  19    stone9000  22    ketty8000  20    tom8000  22    nancy