Hadoop對文本文件的快速全局排序

一、背景

Hadoop中實現了用於全局排序的InputSampler類和TotalOrderPartitioner類，調用示例是org.apache.hadoop.examples.Sort。

但是當我們以Text文件作為輸入時，結果並非按Text中的string列排序，而且輸出結果是SequenceFile。

原因：

1） hadoop在處理Text文件時，key是行號LongWritable類型，InputSampler抽樣的是key，TotalOrderPartitioner也是用key去查找分區。這樣，抽樣得到的partition文件是對行號的抽樣，結果自然是根據行號來排序。

2）大數據量時，InputSampler抽樣速度會非常慢。比如，RandomSampler需要遍歷所有數據，IntervalSampler需要遍歷文件數與splits數一樣。SplitSampler效率比較高，但它只抽取每個文件前面的記錄，不適合應用於文件內有序的情況。

二、功能

1. 實現了一種局部抽樣方法PartialSampler，適用於輸入數據各文件是獨立同分布的情況

2. 使RandomSampler、IntervalSampler、SplitSampler支持對文本的抽樣

3. 實現了針對Text文件string列的TotalOrderPartitioner

三、實現

1. PartialSampler

PartialSampler從第一份輸入數據中隨機抽取 第一列文本數據。PartialSampler有兩個屬性：freq（采樣頻率），numSamples（采樣總數）。

public K[] getSample(InputFormat<K,V> inf, JobConf job) throws IOException {
      InputSplit[] splits = inf.getSplits(job, job.getNumMapTasks());
      ArrayList<K> samples = new ArrayList<K>(numSamples);
      Random r = new Random();
      long seed = r.nextLong();
      r.setSeed(seed);
      LOG.debug("seed: " + seed);      
      // 對splits【0】抽樣
      for (int i = 0; i < 1; i++) {
        System.out.println("PartialSampler will getSample splits["+i+"]");
        RecordReader<K,V> reader = inf.getRecordReader(splits[i], job,
            Reporter.NULL);
        K key = reader.createKey();
        V value = reader.createValue();
        while (reader.next(key, value)) {
          if (r.nextDouble() <= freq) {
            if (samples.size() < numSamples) {
                // 選擇value中的第一列抽樣
                Text value0 = new Text(value.toString().split("\t")[0]);         
                samples.add((K) value0);                
            } else {
              // When exceeding the maximum number of samples, replace a
              // random element with this one, then adjust the frequency
              // to reflect the possibility of existing elements being
              // pushed out
              int ind = r.nextInt(numSamples);
              if (ind != numSamples) {
                Text value0 = new Text(value.toString().split("\t")[0]);  
                samples.set(ind, (K) value0);
              }
              freq *= (numSamples - 1) / (double) numSamples;
            }
            key = reader.createKey();
          }
        }        
        reader.close();
      }
      return (K[])samples.toArray();
    }

首先通過InputFormat的getSplits方法得到所有的輸入分區；

然后掃描第一個分區中的記錄進行采樣。

記錄采樣的具體過程如下：

從指定分區中取出一條記錄，判斷得到的隨機浮點數是否小於等於采樣頻率freq

　　如果大於則放棄這條記錄；

　　如果小於，則判斷當前的采樣數是否小於最大采樣數，

　　　　如果小於則這條記錄被選中，被放進采樣集合中；

　　　　否則從【0，numSamples】中選擇一個隨機數，如果這個隨機數不等於最大采樣數numSamples，則用這條記錄替換掉采樣集合隨機數對應位置的記錄，同時采樣頻率freq減小變為freq*(numSamples-1)/numSamples。

然后依次遍歷分區中的其它記錄。

note：

1）PartialSampler只適用於輸入數據各文件是獨立同分布的情況。

2）自帶的三種Sampler通過修改samples.add(key)為samples.add((K) value0); 也可以實現對第一列的抽樣。

2. TotalOrderPartitioner

TotalOrderPartitioner主要改進了兩點：

1）讀partition時指定keyClass為Text.class

因為partition文件中的key類型為Text

在configure函數中，修改：

//Class<K> keyClass = (Class<K>)job.getMapOutputKeyClass();

Class<K> keyClass = (Class<K>)Text.class;

2）查找分區時，改用value查

public int getPartition(K key, V value, int numPartitions) {
    Text value0 = new Text(value.toString().split("\t")[0]); 
    return partitions.findPartition((K) value0);
  }

3. Sort

1）設置InputFormat、OutputFormat、OutputKeyClass、OutputValueClass、MapOutputKeyClass

2）初始化InputSampler對象，抽樣

3）partitionFile通過CacheFile傳給TotalOrderPartitioner，執行MapReduce任務

    Class<? extends InputFormat> inputFormatClass = TextInputFormat.class;
    Class<? extends OutputFormat> outputFormatClass =  TextOutputFormat.class;
    Class<? extends WritableComparable> outputKeyClass = Text.class;
    Class<? extends Writable> outputValueClass = Text.class;

    jobConf.setMapOutputKeyClass(LongWritable.class);

    // Set user-supplied (possibly default) job configs
    jobConf.setNumReduceTasks(num_reduces);
    
    jobConf.setInputFormat(inputFormatClass);
    jobConf.setOutputFormat(outputFormatClass);

    jobConf.setOutputKeyClass(outputKeyClass);
    jobConf.setOutputValueClass(outputValueClass);

    if (sampler != null) {
      System.out.println("Sampling input to effect total-order sort...");
      jobConf.setPartitionerClass(TotalOrderPartitioner.class);
      Path inputDir = FileInputFormat.getInputPaths(jobConf)[0];
      inputDir = inputDir.makeQualified(inputDir.getFileSystem(jobConf));
      //Path partitionFile = new Path(inputDir, "_sortPartitioning");
      TotalOrderPartitioner.setPartitionFile(jobConf, partitionFile);
      InputSampler.<K,V>writePartitionFile(jobConf, sampler);
      
      URI partitionUri = new URI(partitionFile.toString() + "#" + "_sortPartitioning");
      DistributedCache.addCacheFile(partitionUri, jobConf);
      DistributedCache.createSymlink(jobConf);
    }

    FileSystem hdfs = FileSystem.get(jobConf);
    hdfs.delete(outputpath);
    hdfs.close();
    
    System.out.println("Running on " +
        cluster.getTaskTrackers() +
        " nodes to sort from " + 
        FileInputFormat.getInputPaths(jobConf)[0] + " into " +
        FileOutputFormat.getOutputPath(jobConf) +
        " with " + num_reduces + " reduces.");
    Date startTime = new Date();
    System.out.println("Job started: " + startTime);
    jobResult = JobClient.runJob(jobConf);

三、執行

usage：

hadoop jar yitengfei.jar com.yitengfei.Sort [-m <maps>] [-r <reduces>]

[-splitRandom <double pcnt> <numSamples> <maxsplits> | // Sample from random splits at random (general)

-splitSample <numSamples> <maxsplits> | // Sample from first records in splits (random data)

-splitInterval <double pcnt> <maxsplits>] // Sample from splits at intervals (sorted data)

-splitPartial <double pcnt> <numSamples> <maxsplits> | // Sample from partial splits at random (general) ]

<input> <output> <partitionfile>

Example:

hadoop jar yitengfei.jar com.yitengfei.Sort -r 10 -splitPartial 0.1 10000 10 /user/rp-rd/yitengfei/sample/input /user/rp-rd/yitengfei/sample/output /user/rp-rd/yitengfei/sample/partition

四、性能

200G輸入數據，15億條url，1000個分區，排序時間只用了6分鍾