MapReduce中的全局排序

    MapReduce排序，从大的范围来说有两种排序，一种是按照key排序，一种是按照value排序。如果按照value排序，只需在map函数中将key和value对调，然后在reduce函数中在对调回去。从小范围来说排序又分成部分排序，全局排序，辅助排序（二次排序）等

全局排序

    全局排序就是说在一个MapReduce程序产生的输出文件中，所有的结果都是按照某个策略进行排序的，例如降序还是升序。MapReduce只能保证一个分区内的数据是key有序的，一个分区对应一个reduce，因此只有一个reduce就保证了数据全局有序，但是这样又不能用到Hadoop集群的优势。

      事实上仍有一些替代方案，首先，创建一系列排好序的文件；其次，串联这些文件；最后生成一个全局排好序的文件。主要思路是使用一个partitioner来描述输出的全局排序。

      对于多个reduce如何保证数据的全局排序呢？通常的做法是按照key值分区，通过MapReduce的默认分区函数HashPartition将不同范围的key发送到不同的reduce处理，例如一个文件中有key值从1到10000的数据，我们使用两个分区，将1到5000的key发送到partition1，然后由reduce1处理，5001到10000的key发动到partition2然后由reduce2处理，reduce1中的key是按照1到5000的升序排序，reduce2中的key是按照5001到10000的升序排序，这样就保证了整个MapReduce程序的全局排序。但是这样做有两个缺点：

 

            1、当数据量大时会出现OOM（内存用完了）。

 

      2、会出现数据倾斜。

      Hadoop提供TotalOrderPartitioner类用于实现全局排序的功能，并且解决了OOM和数据倾斜的问题。

      TotalOrderPartitioner类提供了数据采样器，对key值进行部分采样，然后按照采样结果寻找key值的最佳分割点，将key值均匀的分配到不同的分区中。

      TotalOrderPartitioner 类提供了三个采样器，分别是：

1. SplitSampler 分片采样器，从数据分片中采样数据，该采样器不适合已经排好序的数据       
2. RandomSampler随机采样器，按照设置好的采样率从一个数据集中采样，是一个优秀的通配采样器
3. IntervalSampler间隔采样机，以固定的间隔从分片中采样数据，对于已经排好序的数据效果非常好

          三个采样器都实现了K[] getSample(InputFormat<K,V> inf, Job job)方法，该方法返回的是K[]数组，数组中存放的是根据采样结果返回的key值，即分隔点，MapRdeuce就是根据K[]数组            的长度N生成N-1个分区partition数量，然后按照分割点的范围将对应的数据发送到对应的分区中。

      下面介绍使用TotalOrderPartitioner类实现全局排序的功能。代码如下：

      Map类：

public class MaxTempMapper extends Mapper<IntWritable, IntWritable, IntWritable, IntWritable>{

    protected void map(IntWritable key, IntWritable value, Context context) throws IOException, InterruptedException {

     /*   String line=value.toString();
        String arr[]=line.split(" ");*/
        context.write(key,value);
    }

}

 

          Reduce类：

public class MaxTempReducer extends Reducer<IntWritable, IntWritable, IntWritable, IntWritable>{
    /**
     * reduce
     */
    protected void reduce(IntWritable key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {

        int max=Integer.MIN_VALUE;
        for (IntWritable iw:values) {
            max=max>iw.get()?max:iw.get();
        }
        context.write(key,new IntWritable(max));
    }

}

       App类:

public class MaxTemp {
    public static void main(String[] args) throws Exception {
        Configuration conf = new Configuration();

        conf.set("fs.defaultFS", "file:///");

        Job job = Job.getInstance(conf);

        //设置job的各种属性
        job.setJobName("MaxTempApp");                        //作业名称
        job.setJarByClass(MaxTemp.class);                 //搜索类
        job.setInputFormatClass(SequenceFileInputFormat.class); //设置输入格式

        //添加输入路径
        FileInputFormat.addInputPath(job,new Path("F:\\mr\\seq"));
        //设置输出路径
        FileOutputFormat.setOutputPath(job,new Path("F:\\mr\\seq\\out"));




        job.setMapperClass(MaxTempMapper.class);             //mapper类
        job.setReducerClass(MaxTempReducer.class);           //reducer类

        job.setNumReduceTasks(3);                       //reduce个数


        job.setMapOutputKeyClass(IntWritable.class);           //
        job.setMapOutputValueClass(IntWritable.class);  //

        job.setOutputKeyClass(IntWritable.class);
        job.setOutputValueClass(IntWritable.class);     //


        //设置全排序分区类S
        job.setPartitionerClass(TotalOrderPartitioner.class);
        //创建随机采样器
        /**
         * freq:key被选中的概率
         * numSampales 抽取样本的总数
         * maxSplitsSampled 最大采样切片数
         */
        InputSampler.Sampler<IntWritable,IntWritable> sampler=
                new InputSampler.RandomSampler<IntWritable, IntWritable>(0.1,50,10);

        TotalOrderPartitioner.setPartitionFile(job.getConfiguration(),new Path("file:///f:/mr/par.lst"));
        //将sample数据写入分区文件中
        InputSampler.writePartitionFile(job,sampler);

        job.waitForCompletion(true);
    }
}

              会有全局的排序文件输出。