自定义排序及Hadoop序列化

自定义排序

将两列数据进行排序，第一列按照升序排列，当第一列相同时，第二列升序排列。

在map和reduce阶段进行排序时，比较的是k2。v2是不参与排序比较的。如果要想让v2也进行排序，需要把k2和v2组装成新的类，作为k2，才能参与比较。

package sort;

import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
import java.net.URI;

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.io.WritableComparable;
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.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
import org.apache.hadoop.mapreduce.lib.partition.HashPartitioner;

public class SortApp {
    static final String INPUT_PATH = "hdfs://chaoren:9000/input";
    static final String OUT_PATH = "hdfs://chaoren:9000/out";

    public static void main(String[] args) throws Exception {
        final Configuration configuration = new Configuration();

        final FileSystem fileSystem = FileSystem.get(new URI(INPUT_PATH),
                configuration);
        if (fileSystem.exists(new Path(OUT_PATH))) {
            fileSystem.delete(new Path(OUT_PATH), true);
        }

        final Job job = new Job(configuration, SortApp.class.getSimpleName());

        // 1.1 指定输入文件路径
        FileInputFormat.setInputPaths(job, INPUT_PATH);
        // 指定哪个类用来格式化输入文件
        job.setInputFormatClass(TextInputFormat.class);

        // 1.2指定自定义的Mapper类
        job.setMapperClass(MyMapper.class);
        // 指定输出<k2,v2>的类型
        job.setMapOutputKeyClass(NewK2.class);
        job.setMapOutputValueClass(LongWritable.class);

        // 1.3 指定分区类
        job.setPartitionerClass(HashPartitioner.class);
        job.setNumReduceTasks(1);

        // 1.4 TODO 排序、分区

        // 1.5 TODO （可选）合并

        // 2.2 指定自定义的reduce类
        job.setReducerClass(MyReducer.class);
        // 指定输出<k3,v3>的类型
        job.setOutputKeyClass(LongWritable.class);
        job.setOutputValueClass(LongWritable.class);

        // 2.3 指定输出到哪里
        FileOutputFormat.setOutputPath(job, new Path(OUT_PATH));
        // 设定输出文件的格式化类
        job.setOutputFormatClass(TextOutputFormat.class);

        // 把代码提交给JobTracker执行
        job.waitForCompletion(true);
    }

    static 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("	");
            final NewK2 k2 = new NewK2(Long.parseLong(splited[0]),
                    Long.parseLong(splited[1]));
            final LongWritable v2 = new LongWritable(Long.parseLong(splited[1]));
            context.write(k2, v2);
        };
    }

    static 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));
        };
    }

    /**
     * 问：为什么实现该类？ 答：因为原来的v2不能参与排序，把原来的k2和v2封装到一个类中，作为新的k2
     * 
     */
    // WritableComparable：Hadoop的序列化
    static class NewK2 implements WritableComparable<NewK2> {
        Long first;
        Long second;

        public NewK2() {
        }

        public NewK2(long first, long second) {
            this.first = first;
            this.second = second;
        }

        public void readFields(DataInput in) throws IOException {
            this.first = in.readLong();
            this.second = in.readLong();
        }

        public void write(DataOutput out) throws IOException {
            out.writeLong(first);
            out.writeLong(second);
        }

        /**
         * 当k2进行排序时，会调用该方法. 当第一列不同时，升序；当第一列相同时，第二列升序
         */
        public int compareTo(NewK2 o) {
            final long minus = this.first - o.first;
            if (minus != 0) {
                return (int) minus;
            }
            return (int) (this.second - o.second);
        }

        @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);
        }
    }

}

Hadoop序列化

序列化概念：

　　序列化：把结构化对象转化为字节流。

　　反序列化：是序列化的逆过程。即把字节流转回结构化对象。

Hadoop序列化的特点：

　　1、紧凑：高效使用存储空间。

　　2、快速：读写数据的额外开销小。

　　3、可扩展：可透明的读取老格式的数据。

　　4、互操作：支持多语言的交互。

Hadoop的序列化格式：Writable

Hadoop序列化的作用：

　　序列化在分布式环境的两大作用：进程间通信，永久存储。

　　Hadoop节点间通信：

　　

Writable接口

　　Writable接口，是根据DataInput和DataOutput实现的简单、有效的序列化对象。

　　MR的任意key和value必须实现Writable接口。

　　MR的任意key必须实现WritableComparable接口。

自定义Writable类（上面代码中有）

　　实现Writable：

　　　　　　　　1、write是把每个对象序列化到输出流。

　　　　　　　   2、readFields是把输入流字节反序列化。

　　实现WritableComparable:

　　　　　　　　Java值对象的比较：一般需要重写toString(),hashCode(),equals()方法。