MapReduce 框架原理之 Shuffle 机制(1）
MapReduce 框架原理之 Shuffle 机制(1)
Shuff 机制
概念
Map 方法之后，Reduce 方法之前的数据处理过程称之为 Shuffle
图解
Shuffle机制
Partition 分区
问题引出
要求将统计结果按照条件输出到不同文件中（分区）。比如：将统计结果按照手机归属地不同省份输出到不同的文件中（分区）。
默认 Partitioner 分区
// 对应源代码
public class HashPartitionner<K,V> extends Partitioner<K,V>{
public int getPartition(K key,V value,int numReduceTasks){
return (key.hashCode()) & Interger.MAX_VALUE) % numReduceTasks;
}
}默认分区是根据 key 的 hashCode 对 ReduceTasks 个数取模的得到的。用户没法控制那个 key 存储到那个分区。
自定义 Parttitioner 步骤
自定义类继承 Partitioner，重写 getPartition()方法
public class CustomPartitioner extends Partitioner<Text,FlowBean>{
@override
public int getPartition(Text key,FlowBean value,int numPartitions){
// 控制分区代码逻辑
return partition;
}
}在 Job 驱动中，设置自定义 Partitioner
job.setPartitionClass(CustomPartitioner.Class);自定义 Partition 后，要根据自定义 Partitioner 的逻辑设置相应数量的 ReduceTask
job.setNumReduceTasks(5);
分区总结
如果 RedeuceTask 的数量大于 getPartition 的结果数，则会多产生几个空的文件 part-r-000xx;
如果 ReduceTask 的数量大于 1 小于 getPartition 的结果数，则有一部分分区数据无处安放，会 Exception;
如果 ReduceTask 的数量等于 1，则不管 MapTask 端输出多少个分区文件，最终结果都会交给一个 ReduceTask,最终也就只会产生一个结果文件 part-r-00000;
分区号必须从零开始，逐一增加。
案例分析
例如：假设自定义分区数为 5，则
job.setNumReduceTasks(1);会正常运行，只不过会产生一个输出文件 job.setNumReduceTasks(2);会报错 IO 异常 job.setNumReduceTasks(6);大于 5,程序会正常运行，会产生空文件
Partition 分区案例实操
需求
将统计结果按照手机归属地不同省份输出到不同文件中（分区）
输入数据
1 13736230513 192.196.100.1 www.atguigu.com 2481 24681 200 2 13846544121 192.196.100.2 264 0 200 3 13956435636 192.196.100.3 132 1512 200 4 13966251146 192.168.100.1 240 0 404 5 18271575951 192.168.100.2 www.atguigu.com 1527 2106 200 6 84188413 192.168.100.3 www.atguigu.com 4116 1432 200 7 13590439668 192.168.100.4 1116 954 200 8 15910133277 192.168.100.5 www.hao123.com 3156 2936 200 9 13729199489 192.168.100.6 240 0 200 10 13630577991 192.168.100.7 www.shouhu.com 6960 690 200 11 15043685818 192.168.100.8 www.baidu.com 3659 3538 200 12 15959002129 192.168.100.9 www.atguigu.com 1938 180 500 13 13560439638 192.168.100.10 918 4938 200 14 13470253144 192.168.100.11 180 180 200 15 13682846555 192.168.100.12 www.qq.com 1938 2910 200 16 13992314666 192.168.100.13 www.gaga.com 3008 3720 200 17 13509468723 192.168.100.14 www.qinghua.com 7335 110349 404 18 18390173782 192.168.100.15 www.sogou.com 9531 2412 200 19 13975057813 192.168.100.16 www.baidu.com 11058 48243 200 20 13768778790 192.168.100.17 120 120 200 21 13568436656 192.168.100.18 www.alibaba.com 2481 24681 200 22 13568436656 192.168.100.19 1116 954 200
期望输出输出数据
手机号 136、137、138、139 开头分别放到一个独立的 4 个文件中，其他开头放到一个文件中。
需求分析
需求：将统计结果按照手机归属地不同省份输出到不同分区中（分区）
数据输入
1363077991 6960 690
13736230513 2481 24681
......
期望数据输出
文件 1
文件 2
文件 3
文件 4
文件 5
增加一个 ProvincePartitioner 分区
136 分区 0
137 分区 1
138 分区 2
139 分区 3
其他 分区 4
Driver 驱动类
// 指定自定义数据分区
job.setPartitionerClass(ProvincePartitioner.class)
// 同时指定相应数量的reduceTask
job.setNumReduceTasks(5)
在案例 2.3 的基础上，增加一个分区类
package com.atguigu.mapreduce.partitioner;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Partitioner;
public class ProvincePartitioner extends Partitioner<Text, FlowBean> {
@Override
public int getPartition(Text text, FlowBean flowBean, int numPartitions) {
//获取手机号前三位prePhone
String phone = text.toString();
String prePhone = phone.substring(0, 3);
//定义一个分区号变量partition,根据prePhone设置分区号
int partition;
if("136".equals(prePhone)){
partition = 0;
}else if("137".equals(prePhone)){
partition = 1;
}else if("138".equals(prePhone)){
partition = 2;
}else if("139".equals(prePhone)){
partition = 3;
}else {
partition = 4;
}
//最后返回分区号partition
return partition;
}
}在驱动函数中增加自定义数据分区设置和 ReduceTask 设置
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.io.IOException;
public class FlowDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
//1 获取job对象
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);
//2 关联本Driver类
job.setJarByClass(FlowDriver.class);
//3 关联Mapper和Reducer
job.setMapperClass(FlowMapper.class);
job.setReducerClass(FlowReducer.class);
//4 设置Map端输出数据的KV类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(FlowBean.class);
//5 设置程序最终输出的KV类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(FlowBean.class);
//8 指定自定义分区器
job.setPartitionerClass(ProvincePartitioner.class);
//9 同时指定相应数量的ReduceTask
job.setNumReduceTasks(5);
//6 设置输入输出路径
FileInputFormat.setInputPaths(job, new Path("D:\\inputflow"));
FileOutputFormat.setOutputPath(job, new Path("D\\partitionout"));
//7 提交Job
boolean b = job.waitForCompletion(true);
System.exit(b ? 0 : 1);
}
}
浙公网安备 33010602011771号