可能是一篇很长的文章

一些基础可以参照之前的文章:

一、需求说明

1、数据文件说明

hdfs中有一些存储温度的数据文件,以文本形式存储,示例如下:

日期和时间中间是空格,为整体,表示检测站点监测的时间,后面是检测的温度,中间通过制表符 t 相隔。

postbird

2、需求

  1. 计算在1949-1955年中,每年的温度降序排序且每年单独一个文件输出存储

需要进行自定义分区、自定义分组、自定义排序。

二、解决

1、思路

  1. 按照年份升序排序再按照每年的温度降序排序
  2. 按照年份进行分组,每一年份对应一个reduce task

2、自定义mapper输出类型KeyPair

可以看出,每一行温度姑且称为一个数据,每个数据中有两部分,一部分是时间,另一部分是温度。

因此map输出必须使用自定义的格式输出,并且输出之后需要自定义进行排序和分组等操作,默认的那些都不管用了。

定义KeyPair

自定义的输出类型因为要将map的输出放到reduce中去运行,因此需要实现hadoop的WritableComparable的接口,并且该接口的模板变量也得是KeyPair,就像是LongWritable一个意思(查看LongWritable的定义就可以知道)

实现WritableComparable 的接口,就必须重写write/readFileds/compareTo三个方法,依次作用于序列化/反序列化/比较

同时需要重写toString和hashCode避免equals的问题。

KeyPair定义如下

值得注意的是:在进行序列化输出的时候也就是write,里面用了将标准格式的时间(文件中显示的格式时间)进行的时间的转换,用了DataInput和DataOutput


import org.apache.hadoop.io.WritableComparable;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;

/**
 * Project   : hadooptest2
 * Package   : com.mapreducetest.temp
 * User      : Postbird @ http://www.ptbird.cn
 * TIME      : 2017-01-19 21:53
 */

/**
 * 为温度和年份封装成对象
 * year表示年份 而temp为温度
 */
public class KeyPair implements WritableComparable<KeyPair>{
    //年份
    private int year;
    //温度
    private int temp;

    public void setYear(int year) {
        this.year = year;
    }

    public void setTemp(int temp) {
        this.temp = temp;
    }

    public int getYear() {
        return year;
    }

    public int getTemp() {
        return temp;
    }
    @Override
    public int compareTo(KeyPair o) {
        //传过来的对象和当前的year比较 相等为0 不相等为1
        int result=Integer.compare(year,o.getYear());
        if(result != 0){
            //两个year不相等
            return 0;
        }
        //如果年份相等 比较温度
        return Integer.compare(temp,o.getTemp());
    }

    @Override
    //序列化
    public void write(DataOutput dataOutput) throws IOException {
       dataOutput.writeInt(year);
       dataOutput.writeInt(temp);
    }

    @Override
    //反序列化
    public void readFields(DataInput dataInput) throws IOException {
        this.year=dataInput.readInt();
        this.temp=dataInput.readInt();
    }

    @Override
    public String toString() {
        return year+"\t"+temp;
    }

    @Override
    public int hashCode() {
        return new Integer(year+temp).hashCode();
    }
}

3、自定义分组

将同一年监测的温度放到一起,因此需要对年份进行比较。

因此比较输入的数据中的年份即可,注意此时比较的都是KeyPair的类型,Map出来的输出也是这个类型。

因为继承了WritableComparator,因此需要重写compare方法,比较的是KeyPair(KeyPair实现了WritableComparable接口),实际比较的使他们的年份,年份相同则得到0


/**
 * Project   : hadooptest2
 * Package   : com.mapreducetest.temp
 * User      : Postbird @ http://www.ptbird.cn
 * TIME      : 2017-01-19 22:08
 */

import org.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.io.WritableComparator;

/**
 *  为温度分组 比较年份即可
 */
public class GroupTemp extends WritableComparator{

    public GroupTemp() {
        super(KeyPair.class,true);
    }
    @Override
    public int compare(WritableComparable a, WritableComparable b) {
        //年份相同返回的是0
        KeyPair o1=(KeyPair)a;
        KeyPair o2=(KeyPair)b;
        return Integer.compare(o1.getYear(),o2.getYear());
    }
}

4、自定义分区

自定义分区的目的是在根据年份分好了组之后,将不同的年份创建不同的reduce task任务,因此需要对年份处理。


import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Partitioner;

/**
 * Project   : hadooptest2
 * Package   : com.mapreducetest.temp
 * User      : Postbird @ http://www.ptbird.cn
 * TIME      : 2017-01-19 22:17
 */

//自定义分区
//每一个年份生成一个reduce任务
public class FirstPartition extends Partitioner<KeyPair,Text>{
    @Override
    public int getPartition(KeyPair key, Text value, int num) {
        //按照年份进行分区 年份相同,返回的是同一个值
        return (key.getYear()*127)%num;
    }
}

5、自定义排序

最终还是比较的是温度的排序,因此这部分也是非常重要的。

根据上面的需求,需要对年份进行生序排序,而对温度进行降序排序,首选比较条件是年份.


/**
 * Project   : hadooptest2
 * Package   : com.mapreducetest.temp
 * User      : Postbird @ http://www.ptbird.cn
 * TIME      : 2017-01-19 22:08
 */

import org.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.io.WritableComparator;

/**
 *  为温度排序的封装类
 */
public class SortTemp extends WritableComparator{

    public SortTemp() {
        super(KeyPair.class,true);
    }
    //自定义排序
    @Override
    public int compare(WritableComparable a, WritableComparable b) {
        //按照年份升序排序 按照温度降序排序
        KeyPair o1=(KeyPair)a;
        KeyPair o2=(KeyPair)b;
        int result=Integer.compare(o1.getYear(),o2.getYear());
        //比较年份 如果年份不相等
        if(result != 0){
            return result;
        }
        //两个年份相等 对温度进行降序排序,注意 - 号
        return -Integer.compare(o1.getTemp(),o2.getTemp());
    }
}

6、MapReduce程序的编写

几个值得注意的点:

    1. 数据文件中前面的时间是字符串,但是我们的KeyPair的set却不是字符串,因此需要进行字符串转日期的format操作,使用的是SimpleDateFormat,格式自然是"yyyy-MM-dd HH:mm:ss"了。
    2. 输入每行数据之后,通过正则匹配"t"的制表符,然后将温度和时间分开,将时间format并得到年份,将第二部分字符串去掉“℃”的符号得到数字,然后创建KeyPair类型的数据,在输出即可。
    1. 每个年份都生成一个reduce task依据就是自定义分区中对年份进行了比较处理,为了简单就把map的输出结果在reduce中再输出一次,三个reduce task,就会生成三个输出文件。
    2. 因为使用了自定义的排序,分组,分区,因此就需要进行指定相关的class,同时也需要执行reduce task的数量。
    3. 其实最后客户端还是八股文的固定形式而已,只不过多了自定义的指定,没有别的。
    
    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.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 org.apache.hadoop.util.GenericOptionsParser;
    
    import java.io.IOException;
    import java.net.URI;
    import java.text.SimpleDateFormat;
    import java.util.Calendar;
    import java.util.Date;
    
    /**
     * Project   : hadooptest2
     * Package   : com.mapreducetest.temp
     * User      : Postbird @ http://www.ptbird.cn
     * TIME      : 2017-01-19 22:28
     */
    public class RunTempJob {
        //字符串转日期format
        public static SimpleDateFormat SDF=new SimpleDateFormat("yyyy-MM-dd HH:mm:ss");
        /**
         * Mapper
         * 输出的Key是自定义的KeyPair
         */
        static class TempMapper extends Mapper<LongWritable,Text,KeyPair,Text>{
            protected void map(LongWritable key,Text value,Context context) throws IOException,InterruptedException{
                String line=value.toString();
                //1949-10-01 14:21:02    34℃
                // 前面是空格 时间和温度通过\t分割
                String[] ss=line.split("\t");
    //            System.err.println(ss.length);
                if(ss.length==2){
                    try{
                        //获得日期
                        Date date=SDF.parse(ss[0]);
                        Calendar c=Calendar.getInstance();
                        c.setTime(date);
                        int year=c.get(1);//得到年份
                        //字符串截取得到温度,去掉℃
                        String temp = ss[1].substring(0,ss[1].indexOf("℃"));
                        //创建输出key 类型为KeyPair
                        KeyPair kp=new KeyPair();
                        kp.setYear(year);
                        kp.setTemp(Integer.parseInt(temp));
                        //输出
                        context.write(kp,value);
                    }catch(Exception ex){
                        ex.printStackTrace();
                    }
                }
            }
        }
        /**
         *  Reduce 区域
         *  Map的输出是Reduce的输出
         */
        static class TempReducer extends Reducer<KeyPair,Text,KeyPair,Text> {
            @Override
            protected void reduce(KeyPair kp, Iterable<Text> values, Context context) throws IOException, InterruptedException {
                for (Text value:values){
                    context.write(kp,value);
                }
            }
        }
    
        //client
        public static void main(String args[]) throws IOException, InterruptedException{
            //获取配置
            Configuration conf=new Configuration();
    
            //修改命令行的配置
            String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
            if (otherArgs.length != 2) {
                System.err.println("Usage: temp <in> <out>");
                System.exit(2);
            }
            //创建Job
            Job job=new Job(conf,"temp");
            //1.设置job运行的类
            job.setJarByClass(RunTempJob.class);
            //2.设置map和reduce的类
            job.setMapperClass(RunTempJob.TempMapper.class);
            job.setReducerClass(RunTempJob.TempReducer.class);
            //3.设置map的输出的key和value 的类型
            job.setMapOutputKeyClass(KeyPair.class);
            job.setMapOutputValueClass(Text.class);
            //4.设置输入文件的目录和输出文件的目录
            FileInputFormat.addInputPath(job,new Path(otherArgs[0]));
            FileOutputFormat.setOutputPath(job,new Path(otherArgs[1]));
            //5.设置Reduce task的数量 每个年份对应一个reduce task
            job.setNumReduceTasks(3);//3个年份
            //5.设置partition sort Group的class
            job.setPartitionerClass(FirstPartition.class);
            job.setSortComparatorClass(SortTemp.class);
            job.setGroupingComparatorClass(GroupTemp.class);
            //6.提交job 等待运行结束并在客户端显示运行信息
            boolean isSuccess= false;
            try {
                isSuccess = job.waitForCompletion(true);
            } catch (ClassNotFoundException e) {
                e.printStackTrace();
            }
            //7.结束程序
            System.exit(isSuccess ?0:1);
        }
    }

    三、生成效果:

    HDFS中三个reduce task会生成三个输出。

    postbird

    每个输出文件都是每年中的温度的排序结果:

    postbird

    可以看出,1951是map(也可以说是KeyPair)输出的年份,46是温度,而后面是将text又输出了一次,每一年都是根据需求降序排序的。)