1、背景
最近在学习Hadoop的MapReduce，此处记录一下如何实现 TopN 的效果，以及在MapReduce中如何实现 自定义分组。
2、需求
我们有一份数据，数据中存在如下3个字段，订单编号,订单项和订单项价格。 输出的数据，需求如下：
订单编号与订单编号之间需要正序输出。- 输出
每个订单价格最高的2个订单项。
3、分析
订单编号与订单编号之间需要正序输出，那么订单编号必须要作为Key，因为只有Key才有排序操作。- 输出
每个订单价格最高的2个订单项： 这个输出是在reduce阶段，并且是每个订单，因此需要根据订单编号进行分组操作（前后2个key比较，相同则为一组），而分组也只有Key才有，因此就需要JavaBean（订单编号、订单项、订单项价格）来作为组合Key。 订单编号与订单编号之间需要正序输出 && 输出每个订单价格最高的2个订单项: 可以看出在Key中的排序规则为：根据订单编号升序，然后根据订单项价格倒序排序, 并且是根据订单编号来分组。- 我们知道
默认MapReduce中默认的分区规则是，根据key的hascode来进行分区，而 分区 下是有多个 分组，每个分组调用一次reduce方法。 而我们上方的思路是，根据订单编号来进行分组，当我们Key是JavaBean组合Key时，相同的订单编号所在的JavaBean会被分在一个分组吗，这个不一定，因为JavaBean的hashcode不一定一致，因此就需要我们自定义分区（继承Partitioner类）。此处我们job.setNumReduceTasks设置为1个，因此不考虑这个分区的问题。 - 一个分区下有多个分组，每个分组调用一次
reduce方法。
4、准备数据
4.1 准备数据
20230713000010 item-101 1020230713000010 item-102 3020230713000015 item-151 1020230713000015 item-152 2020230713000010 item-103 2020230713000015 item-153 3020230713000012 item-121 5020230713000012 item-122 1020230713000012 item-123 304.2 每行数据格式
订单编号 订单项 订单项价格20230713000012 item-123 30每行数据的分隔符为空格
4.3 期望输出结果
20230713000010 item-102 3020230713000010 item-103 2020230713000012 item-121 5020230713000012 item-123 3020230713000015 item-153 3020230713000015 item-152 205、编码实现
5.1 引入jar包
<dependencies> <dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-client</artifactId> <version>3.3.4</version> </dependency> <dependency> <groupId>org.projectlombok</groupId> <artifactId>lombok</artifactId> <version>1.18.22</version> </dependency></dependencies> <build> <plugins> <plugin> <groupId>org.apache.maven.plugins</groupId> <artifactId>maven-jar-plugin</artifactId> <version>3.2.2</version> <configuration> <archive> <manifest> <addClasspath>true</addClasspath> <classpathPrefix>lib/</classpathPrefix> <mainClass>com.huan.hadoop.mr.TopNDriver</mainClass> </manifest> </archive> </configuration> </plugin> </plugins></build>5.2 编写实体类
package com.huan.hadoop.mr; import lombok.Getter;import lombok.Setter;import org.apache.hadoop.io.WritableComparable; import java.io.DataInput;import java.io.DataOutput;import java.io.IOException; /** * 订单数据 * * @author huan.fu * @date 2023/7/13 - 14:20 */@Getter@Setterpublic class OrderVo implements WritableComparable<OrderVo> { /** * 订单编号 */ private long orderId; /** * 订单项 */ private String itemId; /** * 订单项价格 */ private long price; @Override public int compareTo(OrderVo o) { // 排序： 根据 订单编号 升序， 如果订单编号相同，则根据 订单项价格 倒序 int result = Long.compare(this.orderId, o.orderId); if (result == 0) { // 等于0说明 订单编号 相同，则需要根据 订单项价格 倒序 result = -Long.compare(this.price, o.price); } return result; } @Override public void write(DataOutput out) throws IOException { // 序列化 out.writeLong(orderId); out.writeUTF(itemId); out.writeLong(price); } @Override public void readFields(DataInput in) throws IOException { // 反序列化 this.orderId = in.readLong(); this.itemId = in.readUTF(); this.price = in.readLong(); } @Override public String toString() { return this.getOrderId() + "\t" + this.getItemId() + "\t" + this.getPrice(); }} - 此处需要实现
WritableComparable接口 - 需要编写
排序和序列化方法
5.3 编写分组方法
package com.huan.hadoop.mr; import org.apache.hadoop.io.WritableComparable;import org.apache.hadoop.io.WritableComparator; /** * 分组： 订单编号相同说明是同一组，否则是不同的组 * * @author huan.fu * @date 2023/7/13 - 14:30 */public class TopNGroupingComparator extends WritableComparator { public TopNGroupingComparator() { // 第二个参数为true: 表示可以通过反射创建实例 super(OrderVo.class, true); } @Override public int compare(WritableComparable a, WritableComparable b) { // 订单编号 相同说明是同一个对象，否则是不同的对象 return ((OrderVo) a).getOrderId() == ((OrderVo) b).getOrderId() ? 0 : 1; }} - 实现
WritableComparator接口，自定义分组规则。 - 分组是发生在
reduce阶段，前后2个key比较，相同则为一组，一组调用一次reduce方法。
5.4 编写 map 方法
package com.huan.hadoop.mr; import org.apache.hadoop.io.LongWritable;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapreduce.Mapper; import java.io.IOException; /** * map 操作： 输出的key为OrderVo, 输出的value为： price * * @author huan.fu * @date 2023/7/13 - 14:28 */public class TopNMapper extends Mapper<LongWritable, Text, OrderVo, LongWritable> { private final OrderVo outKey = new OrderVo(); private final LongWritable outValue = new LongWritable(); @Override protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, OrderVo, LongWritable>.Context context) throws IOException, InterruptedException { // 获取一行数据 20230713000010 item-101 10 String row = value.toString(); // 根据 \t 进行分割 String[] cells = row.split("\\s+"); // 获取订单编号 long orderId = Long.parseLong(cells[0]); // 获取订单项 String itemId = cells[1]; // 获取订单项价格 long price = Long.parseLong(cells[2]); // 设置值 outKey.setOrderId(orderId); outKey.setItemId(itemId); outKey.setPrice(price); outValue.set(price); // 写出 context.write(outKey, outValue); }} - map 操作： 输出的key为OrderVo, 输出的value为： price
5.5 编写reduce方法
package com.huan.hadoop.mr; import org.apache.hadoop.io.LongWritable;import org.apache.hadoop.io.NullWritable;import org.apache.hadoop.mapreduce.Reducer; import java.io.IOException; /** * reduce操作： Key（OrderVo）相同的分为一组， 此处 OrderVo 作为key, 分组是根据 TopNGroupingComparator 来实现， * 即 订单编号 相同的认为一组 * * @author huan.fu * @date 2023/7/13 - 14:29 */public class TopNReducer extends Reducer<OrderVo, LongWritable, OrderVo, NullWritable> { @Override protected void reduce(OrderVo key, Iterable<LongWritable> values, Reducer<OrderVo, LongWritable, OrderVo, NullWritable>.Context context) throws IOException, InterruptedException { int topN = 0; // 随着每次遍历， key的 orderId 是相同的（因为是根据这个分组的），但是里面的itemId和price是不同的 for (LongWritable price : values) { topN++; if (topN > 2) { break; } // 注意： 此处的key每次输出都不一样 context.write(key, NullWritable.get()); } }} - reduce操作： Key（OrderVo）相同的分为一组， 此处 OrderVo 作为key, 分组是根据 TopNGroupingComparator 来实现，即 订单编号 相同的认为一组.
- 随着每次遍历， key的 orderId 是相同的（因为是根据这个分组的），但是里面的itemId和price是不同的
5.6 编写driver类
package com.huan.hadoop.mr; import org.apache.hadoop.conf.Configuration;import org.apache.hadoop.conf.Configured;import org.apache.hadoop.fs.FileSystem;import org.apache.hadoop.fs.Path;import org.apache.hadoop.io.LongWritable;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;import org.apache.hadoop.util.Tool;import org.apache.hadoop.util.ToolRunner; /** * @author huan.fu * @date 2023/7/13 - 14:29 */public class TopNDriver extends Configured implements Tool { public static void main(String[] args) throws Exception { // 构建配置对象 Configuration configuration = new Configuration(); // 使用 ToolRunner 提交程序 int status = ToolRunner.run(configuration, new TopNDriver(), args); // 退出程序 System.exit(status); } @Override public int run(String[] args) throws Exception { // 构建Job对象实例 参数（配置对象，Job对象名称） Job job = Job.getInstance(getConf(), "topN"); // 设置mr程序运行的主类 job.setJarByClass(TopNDriver.class); // 设置mr程序运行的 mapper类型和reduce类型 job.setMapperClass(TopNMapper.class); job.setReducerClass(TopNReducer.class); // 指定mapper阶段输出的kv数据类型 job.setMapOutputKeyClass(OrderVo.class); job.setMapOutputValueClass(LongWritable.class); // 指定reduce阶段输出的kv数据类型，业务mr程序输出的最终类型 job.setOutputKeyClass(OrderVo.class); job.setOutputValueClass(NullWritable.class); // 配置本例子中的输入数据路径和输出数据路径，默认输入输出组件为： TextInputFormat和TextOutputFormat FileInputFormat.setInputPaths(job, new Path(args[0])); FileOutputFormat.setOutputPath(job, new Path(args[1])); // 先删除输出目录（方便本地测试） FileSystem.get(this.getConf()).delete(new Path(args[1]), true); // 设置分组 job.setGroupingComparatorClass(TopNGroupingComparator.class); return job.waitForCompletion(true) ? 0 : 1; }}- 需要设置分组
job.setGroupingComparatorClass(TopNGroupingComparator.class);
5.7 运行结果
6、完整代码
https://gitee.com/huan1993/spring-cloud-parent/tree/master/hadoop/mr-topn-group
© 版权声明
文章版权归作者所有，未经允许请勿转载，侵权请联系 admin@trc20.tw 删除。
THE END
