hadoop提交作业自定义排序和分组

现有数据如下：

3 3
3 2
3 1
2 2
2 1
1 1

要求为：

先按第一列从小到大排序，如果第一列相同，按第二列从小到大排序

如果是hadoop默认的排序方式，只能比较key，也就是第一列，而value是无法参与排序的

这时候就需要用到自定义的排序规则

解决思路：

自定义数据类型，将原本的key和value都包装进去

将这个数据类型当做key，这样就比较key的时候就可以包含第一列和第二列的值了

自定义数据类型NewK2如下：

//要实现自定义的排序规则必须实现WritableComparable接口，泛型参数为类本身 public class NewK2 implements WritableComparable<NewK2> { //代表第一列和第二列的数据 Long first; Long second; public NewK2() { } public NewK2(long first, long second) { this.first = first; this.second = second; } //重写序列化和反序列化方法 @Override public void readFields(DataInput in) throws IOException { this.first = in.readLong(); this.second = in.readLong(); } @Override public void write(DataOutput out) throws IOException { out.writeLong(first); out.writeLong(second); } //当k2进行排序时，会自动调用该方法. 当第一列不同时，升序；当第一列相同时，第二列升序 //如果希望降序排列，那么只需要对调this对象和o对象的顺序 @Override public int compareTo(NewK2 o) { if(this.first != o.first) { return (int)(this.first - o.first); } else { return (int) (this.second - o.second); } } //重写hashCode和equals方法 @Override public int hashCode() { return this.first.hashCode() + this.second.hashCode(); } @Override public boolean equals(Object obj) { if (!(obj instanceof NewK2)) { return false; } NewK2 oK2 = (NewK2) obj; return (this.first == oK2.first) && (this.second == oK2.second); } }

MyMapper类代码：

public class MyMapper extends Mapper<LongWritable, Text, NewK2, LongWritable> { protected void map( LongWritable key, Text value, org.apache.hadoop.mapreduce.Mapper<LongWritable, Text, NewK2, LongWritable>.Context context) throws java.io.IOException, InterruptedException { final String[] splited = value.toString().split("\t"); //分割完成之后的数据如：3,1 分别赋值给k2对象的first和second属性 final NewK2 k2 = new NewK2(Long.parseLong(splited[0]), Long.parseLong(splited[1])); final LongWritable v2 = new LongWritable(Long.parseLong(splited[1])); //将k2当做key输出，这样在排序的时候就会调用NewK2的compareTo方法，里面写的是我们自己的排序规则 context.write(k2, v2); }; }

MyReducer类代码：

public class MyReducer extends Reducer<NewK2, LongWritable, LongWritable, LongWritable> { protected void reduce( NewK2 k2, java.lang.Iterable<LongWritable> v2s, org.apache.hadoop.mapreduce.Reducer<NewK2, LongWritable, LongWritable, LongWritable>.Context context) throws java.io.IOException, InterruptedException { context.write(new LongWritable(k2.first), new LongWritable( k2.second)); }; }

MySubmit类的代码和之前的一样无需改动

运行可得到结果如下图：

如果业务需求又发生了改变，如：上图结果中，第一列相同的，只要列出第二列的值最小的那个选项即可

那么结果应该为
1 1

2 1

3 1

可是我们之前使用的是自定义的数据类型当做key

而hadoop默认的分组策略是所有key相同的选项当做一组

而两个NewK2对象要相等，就必须要first和second属性都相等才行

这时就需要用到自定义的分组策略

自定义分组类如下：

//自定义的分组类必须实现RawComparator，泛型参数为类本身 public class MyGroupingComparator implements RawComparator<NewK2> { //重写两个比较方法 //按对象进行比较，规定只要两个NewK2对象的first属性相同就视为相等 @Override public int compare(NewK2 o1, NewK2 o2) { return (int) (o1.first - o2.first); } /** * @param arg0 * 表示第一个参与比较的字节数组 * @param arg1 * 表示第一个参与比较的字节数组的起始位置 * @param arg2 * 表示第一个参与比较的字节数组的偏移量 * * @param arg3 * 表示第二个参与比较的字节数组 * @param arg4 * 表示第二个参与比较的字节数组的起始位置 * @param arg5 * 表示第二个参与比较的字节数组的偏移量 */ @Override public int compare(byte[] arg0, int arg1, int arg2, byte[] arg3, int arg4, int arg5) { return WritableComparator .compareBytes(arg0, arg1, 8, arg3, arg4, 8); } }

在MySubmit代码中加入设置分组策略

// 1.4 TODO 排序、分区 job.setGroupingComparatorClass(MyGroupingComparator.class);

再次运行程序可得到如下图的结果：