Java实战-hadoop patition 分区简介和自定义

逃离我推掉我的手 2021-06-10 20:38 662阅读 0赞

0 简介：

0) 类比于新生入学，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

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：

Java代码

  1. 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
  2. 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。
  3. 以 手机号和座机号写在一个文件中为例：
  4. 如果分区数量 大于/小于 reduce数量时,
  5. 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
  6. 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：

Java代码

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

map-shuffle-reduce过程图如下：

format_png

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：

  1. package partition;  
  3. import java.io.DataInput;  
  4. import java.io.DataOutput;  
  5. import java.io.IOException;  
  6. import java.net.URI;  
  8. import org.apache.hadoop.conf.Configuration;  
  9. import org.apache.hadoop.fs.FileSystem;  
  10. import org.apache.hadoop.fs.Path;  
  11. import org.apache.hadoop.io.LongWritable;  
  12. import org.apache.hadoop.io.Text;  
  13. import org.apache.hadoop.io.Writable;  
  14. import org.apache.hadoop.mapreduce.Job;  
  15. import org.apache.hadoop.mapreduce.Mapper;  
  16. import org.apache.hadoop.mapreduce.Reducer;  
  17. import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;  
  18. import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;  
  19. import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;  
  20. import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;  
  21. import org.apache.hadoop.mapreduce.lib.partition.HashPartitioner;  
  23. /** 
  24.  *  
  25.  * 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） 
  26.  * 1 自定义规约 
  27.  *  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 
  28.  *  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 
  29.  *  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 
  30.  *      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。 
  31.  * 2 自定义分区 
  32.  *   2.1 分区运行必须打成jar运行 
  33.  *   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 
  34.  *   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 
  35.  *   2.4 多个reduce任务在运行的好处是提高整体job的运行效率 
  36.  *    
  37.  *   结果处理成2个区， 一个是放手机号的 一个是放固话的 
  38.  *  [root@master ~]# hadoop fs -ls /out 
  39. Warning: $HADOOP_HOME is deprecated. 
  41. Found 4 items 
  42. -rw-r--r--   1 root supergroup          0 2014-08-24 16:02 /out/_SUCCESS 
  43. drwxr-xr-x   - root supergroup          0 2014-08-24 16:02 /out/_logs 
  44. -rw-r--r--   1 root supergroup        556 2014-08-24 16:02 /out/part-r-00000 
  45. -rw-r--r--   1 root supergroup         79 2014-08-24 16:02 /out/part-r-00001 
  47.  */  
  48. public class KpiAppPatition {  
  52.     // 0 定义操作地址  
  53.     static final String FILE_ROOT = "hdfs://master:9000/";  
  54.     static final String INPUT_PATH = "hdfs://master:9000/hello";  
  55.     static final String OUT_PATH = "hdfs://master:9000/out";  
  57.     public static void main(String[] args) throws Exception{  
  59.         Configuration conf = new Configuration();  
  60.         FileSystem fileSystem = FileSystem.get(new URI(FILE_ROOT),conf);  
  61.         Path outpath = new Path(OUT_PATH);  
  62.         if(fileSystem.exists(outpath)){  
  63.             fileSystem.delete(outpath, true);  
  64.         }  
  66.         // 0 定义干活的人  
  67.         Job job = new Job(conf);  
  68.         job.setJarByClass(KpiAppPatition.class);  
  69.         // 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  
  70.         FileInputFormat.setInputPaths(job, INPUT_PATH);  
  71.         // 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  
  72.         job.setInputFormatClass(TextInputFormat.class);  
  74.         //1.2 指定自定义的map类  
  75.         job.setMapperClass(MyMapper2.class);  
  76.         job.setMapOutputKeyClass(Text.class);  
  77.         job.setMapOutputValueClass(KpiWritable2.class);  
  79.         //1.3 分区  
  80.         job.setPartitionerClass(KpiPartitioner.class);  
  81.         job.setNumReduceTasks(2);  
  83.         //1.4 TODO 排序、分组    目前按照默认方式执行  
  84.         //1.5 TODO 规约  
  86.         //2.2 指定自定义reduce类  
  87.         job.setReducerClass(MyReducer2.class);  
  88.         job.setOutputKeyClass(Text.class);  
  89.         job.setOutputValueClass(LongWritable.class);  
  91.         //2.3 指定写出到哪里  
  92.         FileOutputFormat.setOutputPath(job, outpath);  
  93.         job.setOutputFormatClass(TextOutputFormat.class);  
  95.         // 让干活的人干活  
  96.         job.waitForCompletion(true);  
  98.     }  
  99. }  
  101. // 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  
  102. // 否则报错 说找不到编号为X的  
  103. // 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  
  104. // 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  
  105. class KpiPartitioner extends HashPartitioner<Text, KpiWritable2>{  
  106.     @Override  
  107.     public int getPartition(Text key, KpiWritable2 value, int numReduceTasks) {  
  108.         System.out.println("KpiPartitioner numReduceTasks is : " + numReduceTasks );  
  109.         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  
  110.     }  
  111. }  
  113. /** 
  114.  * 将 <k1,v1> --->  <k2,v2> 
  115.  * @author zm 
  116.  */  
  117. class MyMapper2 extends Mapper<LongWritable, Text, Text, KpiWritable2>{  
  119.     /** 
  120.      * key 表示k1 即 当前行号 
  121.      * value 表示v1 即当前行内容 
  122.      */  
  123.     @Override  
  124.     protected void map(LongWritable k1, Text v1, Context context)  
  125.             throws IOException, InterruptedException {  
  126.         //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  
  127.         String[] elements = v1.toString().split("\t");  
  128.         String phoneNum = elements[1];  
  129.         KpiWritable2 v2 = new KpiWritable2(elements[6],elements[7],elements[8],elements[9]);  
  130.         Text k2 = new Text(phoneNum);  
  131.         context.write(k2, v2);  
  132.     }  
  133. }  
  135. /** 
  136.  * 将 <k2,v2> --->  <k3,v3> 
  137.  * @author zm 
  138.  */  
  139. class MyReducer2 extends Reducer<Text, KpiWritable2,Text, LongWritable>{  
  141.     protected void reduce(Text k2, Iterable<KpiWritable2> v2s,  
  142.             org.apache.hadoop.mapreduce.Reducer.Context context)  
  143.             throws IOException, InterruptedException {  
  145.         long upPackNum = 0L;  
  146.         long downPackNum = 0L;  
  147.         long upPayLoad = 0L;  
  148.         long downPayLoad = 0L;  
  150.         for(KpiWritable2 kpiWritable1 : v2s){  
  151.             upPackNum = kpiWritable1.upPackNum;  
  152.             downPackNum = kpiWritable1.downPackNum;  
  153.             upPayLoad = kpiWritable1.upPayLoad;  
  154.             downPayLoad = kpiWritable1.downPayLoad;  
  155.         }  
  157.         KpiWritable2 v3 = new KpiWritable2(upPackNum+"",downPackNum+"",upPayLoad+"",downPayLoad+"");  
  158.         context.write(k2, v3);  
  159.     }  
  162. }  
  165. /** 
  166.  * 自定义类型类，里面封装 上网流量信息 
  167.  * @author zm 
  168.  * 
  169.  */  
  170. class KpiWritable2 implements Writable{  
  172.     long upPackNum; // 上传数据包个数  
  173.     long downPackNum;// 下载数据包个数  
  174.     long upPayLoad;// 上传数据  
  175.     long downPayLoad;// 下载数据  
  177.     public KpiWritable2(String upPackNum,String downPackNum,String upPayLoad,String downPayLoad){  
  178.         this.upPackNum = Long.parseLong(upPackNum);  
  179.         this.downPackNum = Long.parseLong(downPackNum);  
  180.         this.upPayLoad = Long.parseLong(upPayLoad);  
  181.         this.downPayLoad = Long.parseLong(downPayLoad);  
  182.     }  
  184.     public KpiWritable2(){}  
  186.     @Override  
  187.     public void write(DataOutput out) throws IOException {  
  188.         // 先写后读  
  189.         out.writeLong(this.upPackNum);  
  190.         out.writeLong(this.downPackNum);  
  191.         out.writeLong(this.upPayLoad);  
  192.         out.writeLong(this.downPayLoad);  
  193.     }  
  195.     @Override  
  196.     public void readFields(DataInput in) throws IOException {  
  197.         // 读取的时候， 按照写方法的顺序( 队列方式) 顺序读取  
  198.         this.upPackNum = in.readLong();  
  199.         this.downPackNum = in.readLong();  
  200.         this.upPayLoad = in.readLong();  
  201.         this.downPayLoad = in.readLong();  
  202.     }  
  204.     @Override  
  205.     public String toString() {  
  206.         return upPackNum + "\t" + downPackNum + "\t" + upPayLoad + "\t" + downPayLoad;  
  207.     }  
  208. }

发表评论

表情：
评论列表 （有 0 条评论，662人围观）

还没有评论，来说两句吧...

相关阅读

    相关 hadoop 自定义OutputFormat

    前言 在某些业务场景下，需要对原始的数据进行合理的分类输出，减少后续的程序处理数据带来的麻烦，其实这也属于ETL中的一种，比如，我们收集到了一份原始的日志，主体字段为区域

    - 日理万妓- 日理万妓/ 0 赞/ 111 阅读

    相关 hadoop 自定义分区

    分区概念 分区这个词对很多同学来说并不陌生，比如Java很多中间件中，像kafka的分区，mysql的分区表等，分区存在的意义在于将数据按照业务规则进行合理的划分，方便后

    我会带着你远行我会带着你远行/ 0 赞/ 117 阅读