---

3.3.4 WritableComparable排序3.3.5 WritableComparable排序案例实操（全排序）3.3.6 WritableComparable排序案例实操（区内排序）3.3.7 Combiner合并3.3.8 Combiner合并案例实操3.3.9 GroupingComparator分组（辅助排序/分组排序）3.3.10 GroupingComparator分组案例实操3.4 MapTask工作机制3.5 ReduceTask工作机制3.6 OutputFormat数据输出3.6.1 OutputFormat接口实现类3.6.2 自定义OutputFormat3.6.3 自定义OutputFormat案例实操3.7 Join多种应用3.7.1 Reduce Join3.7.2 Reduce Join案例实操3.7.3 Map Join3.7.4 Map Join案例实操3.8 计数器应用3.9 数据清洗（ETL）3.9.1 数据清洗案例实操-简单解析版3.9.2 数据清洗案例实操-复杂解析版3.10 MapReduce开发总结第4章 Hadoop数据压缩4.1 概述4.2 MR支持的压缩编码4.3 压缩方式选择4.3.1 Gzip压缩4.3.2 Bzip2压缩4.3.3 Lzo压缩4.3.4 Snappy压缩4.4 压缩位置选择4.5 压缩参数配置4.6 压缩实操案例4.6.1 数据流的压缩和解压缩4.6.2 Map输出端采用压缩4.6.3 Reduce输出端采用压缩第5章 Yarn资源调度器5.1 Yarn基本架构5.3 Yarn工作机制5.4 作业提交全过程5.5 资源调度器5.6 任务的推测执行（秘籍）

3.3.4 WritableComparable排序

0、排序概述

 1、排序的分类2、自定义排序WritableComparable（1）原理分析bean对象做为key传输，需要实现WritableComparable接口重写compareTo()方法，就可以实现排序。@Override public int compareTo(FlowBean o) {     int result;     // 按照总流量大小，倒序排列     if (sumFlow > bean.getSumFlow()) {         result = -1;     } else if (sumFlow < bean.getSumFlow()) {         result = 1;     } else {         result = 0;     }     return result; }

3.3.5 WritableComparable排序案例实操（全排序）

1、需求根据

案例2.3产生的结果再次对总流量进行排序。（1）输入数据

（2）期望输出数据

13509468723     7335    110349  117684 13736230513     2481    24681   27162 13956435636     132        1512    1644 13846544121     264        0       264 ......

2、需求分析

3、代码实现（1）FlowBean对象在在需求1基础上增加了比较功能package com.atguigu.mr.sort; import java.io.DataInput; import java.io.DataOutput; import java.io.IOException; import org.apache.hadoop.io.WritableComparable; public class FlowBean implements WritableComparable {     private long upFlow; // 上行流量     private long downFlow; // 下行流量     private long sumFlow; // 总流量     ///      / 反序列化时，需要反射调用空参构造函数，所以必须有      //     public FlowBean() {         super();     }     public FlowBean(long upFlow, long downFlow) {         super();         this.upFlow = upFlow;         this.downFlow = downFlow;         this.sumFlow = upFlow + downFlow;     }     ///      / 序列化方法      //     @Override     public void write(DataOutput out) throws IOException {         out.writeLong(upFlow);         out.writeLong(downFlow);         out.writeLong(sumFlow);     }     ///      / 反序列化方法，注意反序列化的顺序和序列化的顺序完全一致      //     @Override     public void readFields(DataInput in) throws IOException {         upFlow = in.readLong();         downFlow = in.readLong();         sumFlow = in.readLong();     }     ///      / 比较方法      //     @Override     public int compareTo(FlowBean bean) {         int result;         // 按照总流量大小，倒序排列         if (sumFlow > bean.getSumFlow()) {             result = -1;         } else if (sumFlow < bean.getSumFlow()) {             result = 1;         } else {             result = 0;         }         return result;     }     public long getUpFlow() {         return upFlow;     }     public void setUpFlow(long upFlow) {         this.upFlow = upFlow;     }     public long getDownFlow() {         return downFlow;     }     public void setDownFlow(long downFlow) {         this.downFlow = downFlow;     }     public long getSumFlow() {         return sumFlow;     }     public void setSumFlow(long sumFlow) {         this.sumFlow = sumFlow;     }     @Override     public String toString() {         return upFlow + "t" + downFlow + "t" + sumFlow;     } }

（2）编写Mapper类

package com.atguigu.mr.sort; import java.io.IOException; import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Mapper; public class FlowCountSortMapper extends Mapper {     FlowBean k = new FlowBean();     Text v = new Text();     @Override     protected void map(LongWritable key, Text value, Context context)             throws IOException, InterruptedException {         // 13736230513  2481    24681   27162         // 1、获取一行         String line = value.toString();         // 2、截取         String[] fields = line.split("t");         // 3、封装对象         String phoneNum = fields[0];         long upFlow = Long.parseLong(fields[1]);         long downFlow = Long.parseLong(fields[2]);         long sumFlow = Long.parseLong(fields[3]);         k.setUpFlow(upFlow);         k.setDownFlow(downFlow);         k.setSumFlow(sumFlow);         v.set(phoneNum);         // 4、输出         context.write(k, v);     } }

（3）编写Reducer类

package com.atguigu.mr.sort; import java.io.IOException; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Reducer; public class FlowCountSortReducer extends Reducer {     @Override     protected void reduce(FlowBean key, Iterable values, Context context)             throws IOException, InterruptedException {         // 循环输出，避免总流量相同的情况         for (Text text : values) {             context.write(text, key);         }     } }

（4）编写Driver类

package com.atguigu.mr.sort; import java.io.IOException; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.Path; 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; public class FlowCountSortDriver {     public static void main(String[] args) throws IllegalArgumentException, IOException, ClassNotFoundException, InterruptedException {         // 输入输出路径需要根据自己电脑上实际的输入输出路径设置         args = new String[] { "d:/temp/atguigu/0529/output2", "d:/temp/atguigu/0529/output8" };         // 1、获取配置信息，或者job对象实例         Configuration configuration = new Configuration();         Job job = Job.getInstance(configuration);         // 2、指定本程序的jar包所在的本地路径         job.setJarByClass(FlowCountSortDriver.class);         // 3、指定本业务job要使用的mapper/Reducer业务类         job.setMapperClass(FlowCountSortMapper.class);         job.setReducerClass(FlowCountSortReducer.class);         // 4、指定mapper输出数据的kv类型         job.setMapOutputKeyClass(FlowBean.class);         job.setMapOutputValueClass(Text.class);         // 5、指定最终输出的数据的kv类型         job.setOutputKeyClass(Text.class);         job.setOutputValueClass(FlowBean.class);         // 6、指定job的输入原始文件所在目录         FileInputFormat.setInputPaths(job, new Path(args[0]));         FileOutputFormat.setOutputPath(job, new Path(args[1]));         // 7、将job中配置的相关参数，以及job所用的java类所在的jar包， 提交给yarn去运行         boolean result = job.waitForCompletion(true);         System.exit(result ? 0 : 1);     } }

3.3.6 WritableComparable排序案例实操（区内排序）

1、需求要求每个省份手机号输出的文件中按照总流量内部排序。2、需求分析基于前一个需求，增加自定义分区类，分区按照省份手机号设置。3、案例实操（1）增加自定义分区类package com.atguigu.mr.sort; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Partitioner; public class ProvincePartitioner extends Partitioner {     @Override     public int getPartition(FlowBean key, Text value, int numPartitions) {         // 按照手机号的前三位进行分区         // 获取手机号的前三位         String prePhoneNum = value.toString().substring(0, 3);         // 根据手机号归属地设置分区         int partition = 4;         if ("136".equals(prePhoneNum)) {             partition = 0;         } else if ("137".equals(prePhoneNum)) {             partition = 1;         } else if ("138".equals(prePhoneNum)) {             partition = 2;         } else if ("139".equals(prePhoneNum)) {             partition = 3;         }         return partition;     } }

（2）在驱动类中添加加载分区类

    // 加载自定义分区类(即关联分区)     job.setPartitionerClass(ProvincePartitioner.class);     // 设置Reducetask个数     job.setNumReduceTasks(5);

3.3.7 Combiner合并

Combiner合并是Hadoop框架优化的一种手段，因为Combiner合并减少了数据的IO传输。（6）自定义Combiner实现步骤（a）自定义一个Combiner继承Reducer，重写reduce()方法package com.atguigu.mr.wordcount; import java.io.IOException; import org.apache.hadoop.io.IntWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Reducer; public class WordcountCombiner extends Reducer {     int sum;     IntWritable v = new IntWritable();     @Override     protected void reduce(Text key, Iterable values,              Context context) throws IOException, InterruptedException {         // 1、汇总，累加求和         sum = 0;         for (IntWritable value : values) {             sum += value.get();         }         v.set(sum);         // 2、写出         context.write(key, v);     } }

（b）在Job驱动类中设置：

    job.setCombinerClass(WordcountCombiner.class);

3.3.8 Combiner合并案例实操

1、需求统计过程中对每一个MapTask的输出进行局部汇总，以减小网络传输量即采用Combiner功能。（1）数据输入banzhang ni hao xihuan hadoop banzhang banzhang ni hao xihuan hadoop banzhang

（2）期望输出数据期望：Combine输入数据多，输出时经过合并，输出数据降低。2、需求分析

3、案例实操-方案一1）增加一个WordcountCombiner类继承Reducer

package com.atguigu.mr.wordcount; import java.io.IOException; import org.apache.hadoop.io.IntWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Reducer; public class WordcountCombiner extends Reducer {     int sum;     IntWritable v = new IntWritable();     @Override     protected void reduce(Text key, Iterable values,              Context context) throws IOException, InterruptedException {         // 1、汇总，累加求和         sum = 0;         for (IntWritable value : values) {             sum += value.get();         }         v.set(sum);         // 2、写出         context.write(key, v);     } }

2）在WordcountDriver驱动类中指定Combiner

    // 指定需要使用Combiner，以及用哪个类作为Combiner的逻辑     job.setCombinerClass(WordcountCombiner.class);

4、案例实操-方案二1）将WordcountReducer作为Combiner在WordcountDriver驱动类中指定

    // 指定需要使用Combiner，以及用哪个类作为Combiner的逻辑     job.setCombinerClass(WordcountReducer.class);

运行程序，如下图所示：

3.3.9 GroupingComparator分组（辅助排序/分组排序）

对Reduce阶段的数据根据某一个或几个字段进行分组。分组排序步骤：（1）自定义类继承WritableComparator（2）重写compare()方法@Override public int compare(WritableComparable a, WritableComparable b) {     // 比较的业务逻辑     // ......     return result; }

（3）创建一个构造将比较对象的类传给父类

protected OrderGroupingComparator() {     super(OrderBean.class, true); }

3.3.10 GroupingComparator分组案例实操

1、需求有如下订单数据现在需要求出每一个订单中最贵的商品。（1）输入数据GroupingComparator.txt0000001    Pdt01  222.8 0000002    Pdt05  722.4 0000001    Pdt02  33.8 0000003    Pdt06  232.8 0000003    Pdt02  33.8 0000002    Pdt03  522.8 0000002    Pdt_04  122.4

（2）期望输出数据

1    222.8 2    722.4 3    232.8

2、需求分析（1）利用“订单id和成交金额”作为key，可以将Map阶段读取到的所有订单数据按照id升序排序，如果id相同再按照金额降序排序，发送到Reduce。（2）在Reduce端利用GroupingComparator将订单id相同的kv聚合成组，然后取第一个即是该订单中最贵商品，如下图所示。

3、代码实现（1）定义订单信息OrderBean类

package com.atguigu.mr.order; import java.io.DataInput; import java.io.DataOutput; import java.io.IOException; import org.apache.hadoop.io.WritableComparable; public class OrderBean implements WritableComparable {     private int orderid; // 订单id     private double price; // 订单价格     public OrderBean() {         super();     }     public OrderBean(int orderid, double price) {         super();         this.orderid = orderid;         this.price = price;     }     @Override     public void write(DataOutput out) throws IOException {         out.writeInt(orderid);         out.writeDouble(price);     }     @Override     public void readFields(DataInput in) throws IOException {         this.orderid = in.readInt();         this.price = in.readDouble();     }     // 二次排序     @Override     public int compareTo(OrderBean bean) {         // 先按照订单id升序排序，如果订单id相同则按照价格降序排序         int result;         if (orderid > bean.getOrderid()) {             result = 1;         } else if (orderid < bean.getOrderid()) {             result = -1;         } else {             if (price > bean.getPrice()) {                 result = -1;             } else if (price < bean.getPrice()) {                 result = 1;             } else {                 result = 0;             }         }         return result;     }     public int getOrderid() {         return orderid;     }     public void setOrderid(int orderid) {         this.orderid = orderid;     }     public double getPrice() {         return price;     }     public void setPrice(double price) {         this.price = price;     }     @Override     public String toString() {         return order_id + "t" + price;     } }

（2）编写OrderSortMapper类

package com.atguigu.mr.order; import java.io.IOException; import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.NullWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Mapper; // 0000001    Pdt01  222.8 public class OrderSortMapper extends Mapper {     OrderBean k = new OrderBean();     @Override     protected void map(LongWritable key, Text value, Context context)             throws IOException, InterruptedException {         // 0000001  Pdt01  222.8         // 1、获取一行         String line = value.toString();         // 2、截取         String[] fields = line.split("t");         // 3、封装对象         k.setOrder_id(Integer.parseInt(fields[0]));         k.setPrice(Double.parseDouble(fields[2]));         // 4、写出         context.write(k, NullWritable.get());     } }

（3）编写OrderSortGroupingComparator类

package com.atguigu.mr.order; import org.apache.hadoop.io.WritableComparable; import org.apache.hadoop.io.WritableComparator; public class OrderSortGroupingComparator extends WritableComparator {     ///      / 创建一个构造将比较对象的类传给父类      //     protected OrderSortGroupingComparator() {         super(OrderBean.class, true);     }     @SuppressWarnings("rawtypes")     @Override     public int compare(WritableComparable a, WritableComparable b) {         // 比较的业务逻辑         // 要求按照只要是id相同，就认为是相同的key         OrderBean aBean = (OrderBean) a;         OrderBean bBean = (OrderBean) b;         int result;         if (aBean.getOrderid() > bBean.getOrderid()) {             result = 1;         } else if (aBean.getOrderid() < bBean.getOrderid()) {             result = -1;         } else {             result = 0;         }         return result;     } }

（4）编写OrderSortReducer类

package com.atguigu.mr.order; import java.io.IOException; import org.apache.hadoop.io.NullWritable; import org.apache.hadoop.mapreduce.Reducer; public class OrderSortReducer extends Reducer{     @Override     protected void reduce(OrderBean key, Iterable values, Context context)             throws IOException, InterruptedException {         // 只写出第一行数据         context.write(key, NullWritable.get());         // 出每个reduce的所有数据         //         for (NullWritable nullWritable : values) {             context.write(key, NullWritable.get());         }         //     } }

（5）编写OrderSortDriver类

package com.atguigu.mr.order; import java.io.IOException; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.NullWritable; import org.apache.hadoop.mapreduce.Job; import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; public class OrderSortDriver {     public static void main(String[] args) throws IllegalArgumentException, IOException, ClassNotFoundException, InterruptedException {         // 输入输出路径需要根据自己电脑上实际的输入输出路径设置         args = new String[] { "d:/temp/atguigu/0529/input/inputorder", "d:/temp/atguigu/0529/output11" };         // 1、获取配置信息         Configuration conf = new Configuration();         Job job = Job.getInstance(conf);         // 2、设置jar包加载路径         job.setJarByClass(OrderSortDriver.class);         // 3、加载map/reduce类         job.setMapperClass(OrderSortMapper.class);         job.setReducerClass(OrderSortReducer.class);         // 4、设置map输出数据key和value类型         job.setMapOutputKeyClass(OrderBean.class);         job.setMapOutputValueClass(NullWritable.class);         // 5、设置最终输出数据的key和value类型         job.setOutputKeyClass(OrderBean.class);         job.setOutputValueClass(NullWritable.class);         // 6、设置输入数据和输出数据路径         FileInputFormat.setInputPaths(job, new Path(args[0]));         FileOutputFormat.setOutputPath(job, new Path(args[1]));         // 8、设置reduce端的分组         job.setGroupingComparatorClass(OrderSortGroupingComparator.class);         // 7、提交         boolean result = job.waitForCompletion(true);         System.exit(result ? 0 : 1);     } }

3.4 MapTask工作机制

MapTask工作机制如下图所示。

• （1）Read阶段：MapTask通过用户编写的RecordReader，从输入InputSplit中解析出一个个key/value。
• （2）Map阶段：该节点主要是将解析出的key/value交给用户编写map()函数处理，并产生一系列新的key/value。
• （3）Collect收集阶段：在用户编写map()函数中，当数据处理完成后，一般会调用OutputCollector.collect()输出结果。在该函数内部，它会将生成的key/value分区（调用Partitioner），并写入一个环形内存缓冲区中。
• （4）

Spill阶段：即“溢写”，当环形缓冲区满后，MapReduce会将数据写到本地磁盘上，生成一个临时文件。需要注意的是，将数据写入本地磁盘之前，先要对数据进行一次本地排序，并在必要时对数据进行合并、压缩等操作。 溢写阶段详情：

• 步骤1：利用快速排序算法对缓存区内的数据进行排序，排序方式是，先按照分区编号Partition进行排序，然后按照key进行排序。这样，经过排序后，数据以分区为单位聚集在一起，且同一分区内所有数据按照key有序。
• 步骤2：按照分区编号由小到大依次将每个分区中的数据写入任务工作目录下的临时文件output/spillN.out（N表示当前溢写次数）中。如果用户设置了Combiner，则写入文件之前，对每个分区中的数据进行一次聚集操作。
• 步骤3：将分区数据的元信息写到内存索引数据结构SpillRecord中，其中每个分区的元信息包括在临时文件中的偏移量、压缩前数据大小和压缩后数据大小。如果当前内存索引大小超过1MB，则将内存索引写到文件output/spillN.out.index中。
• （5）Combine阶段：当所有数据处理完成后，MapTask对所有临时文件进行一次合并，以确保最终只会生成一个数据文件。
  当所有数据处理完后，MapTask会将所有临时文件合并成一个大文件，并保存到文件

output/file.out中，同时生成相应的索引文件

output/file.out.index。在进行文件合并过程中，MapTask以分区为单位进行合并。对于某个分区，它将采用

多轮递归合并的方式。每轮合并

io.sort.factor（默认10）个文件，并将产生的文件重新加入待合并列表中，对文件排序后，重复以上过程，直到最终得到一个大文件。让每个MapTask最终只生成一个数据文件，可避免同时打开大量文件和同时读取大量小文件产生的

随机读取带来的开销。

3.5 ReduceTask工作机制

1、ReduceTask工作机制ReduceTask工作机制，如下图所示。

• （1）Copy阶段：ReduceTask从各个MapTask上远程

拷贝一片数据，并针对某一片数据，如果其大小超过一定阈值，则溢写到磁盘上，否则直接放到内存中。

• （2）Merge阶段：在远程拷贝数据的同时，ReduceTask启动了两个

后台线程对内存和磁盘上的文件进行合并，以防止内存使用过多或磁盘上文件过多。

• （3）Sort阶段：按照MapReduce语义，用户编写reduce()函数输入数据是按key进行聚集的一组数据。为了

将key相同的数据聚在一起，Hadoop采用了

基于排序的策略。由于各个MapTask已经实现对自己的处理结果进行了

局部排序，因此，ReduceTask只需对所有数据进行一次

归并排序即可。

• （4）Reduce阶段：reduce()函数将计算结果写到HDFS上。

2、设置ReduceTask并行度（个数）ReduceTask的并行度同样影响整个Job的执行并发度和执行效率，但与

MapT

---