hadoop hdfs 数据分配不均匀 hadoop分区

转载

mob64ca1404baa2 2024-04-18 16:01:58

文章标签 hadoop hdfs 数据分配不均匀 hadoop mapreduce 大数据数据 文章分类 Hadoop 大数据

一. Partitioner分区

1. Partitioner的作用:

进行MapReduce计算时，有时候需要把最终的输出数据分到不同的文件中，我们知道最终的输出数据是来自于Reducer任务。那么，如果要得到多个文件，意味着有同样数量的Reducer任务在运行。Reducer任务的数据来自于Mapper任务，也就说Mapper任务要划分数据，对于不同的数据分配给不同的Reducer任务运行。Mapper任务划分数据的过程就称作Partition。负责实现划分数据的类称作Partitioner。

2. Partitioner源码

package org.apache.hadoop.mapreduce.lib.partition;

import org.apache.hadoop.mapreduce.Partitioner;

/** Partition keys by their {@link Object#hashCode()}. */
public class HashPartitioner<K, V> extends Partitioner<K, V> {

  /** Use {@link Object#hashCode()} to partition. */
  public int getPartition(K key, V value,
                          int numReduceTasks) {
    //默认使用key的hash值与上int的最大值，避免出现数据溢出 的情况
    return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;
  }

}

3. getPartition()三个参数分别是什么？

HashPartitioner是处理Mapper任务输出的，getPartition()方法有三个形参，源码中key、value分别指的是Mapper任务的输出 [标注: Partitioner的key, value类型和map端输出的key, value类型一致]，numReduceTasks指的是设置的Reducer任务数量，默认值是1。那么任何整数与1相除的余数肯定是0。也就是说getPartition(…)方法的返回值总是0。也就是Mapper任务的输出总是送给一个Reducer任务，最终只能输出到一个文件中。

据此分析，如果想要最终输出到多个文件中，在Mapper任务中对数据应该划分到多个区中。那么，我们只需要按照一定的规则让getPartition(…)方法的返回值是0,1,2,3…即可。

4. 自定义Partitioner

大部分情况下，我们都会使用默认的分区函数，但有时我们又有一些，特殊的需求，而需要定制Partition来完成我们的业务

代码

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.mapreduce.Partitioner;
// Partitioner<IntWritable, IntWritable> 的key, value 类型和map的输出key, value类型一致
public class FivePartitioner extends Partitioner<IntWritable, IntWritable>{

    /**
     * 我们的需求: 按照能否被5除尽去分区
     * 
     * 1、如果除以5的余数是0, 放在0号分区
     * 2、如果除以5的余数不是0, 放在1分区
     */
    @Override
    public int getPartition(IntWritable key, IntWritable value, int numPartitions) {
        
        int intValue = key.get();
        
        if(intValue % 5 == 0){
            return 0;
        }else{
            return 1;
        }    
    }
}

在运行Mapreduce程序时，只需在主函数里加入如下两行代码即可

// 指定Partitioner类
job.setPartitionerClass(FivePartitioner.class);
// 设置分区数, 和Partitioner类中设置的分区数保持一致
// Partition分区数和ReduceTaskes数目一致
job.setNumReduceTasks(2);

二. Combiner分区

Combiner分区部分转载的是:

1. 对combiner的理解

combiner其实属于优化方案，由于带宽限制，应该尽量map和reduce之间的数据传输数量。它在Map端把同一个key的键值对合并在一起并计算，计算规则与reduce一致，所以combiner也可以看作特殊的Reducer。
执行combiner操作要求开发者必须在程序中设置了combiner(程序中通过job.setCombinerClass(myCombine.class)自定义combiner操作)。
Combiner组件是用来做局部汇总的，就在mapTask中进行汇总；Reducer组件是用来做全局汇总的，最终的，最后一次汇总。

2. 哪里使用combiner?

map输出数据根据分区排序完成后，在写入文件之前会执行一次combine操作(前提是作业中设置了这个操作);
如果map输出比较大，溢出文件个数大于3(此值可以通过属性min.num.spills.for.combine配置)时，在merge的过程(多个spill文件合并为一个大文件)中前还会执行combiner操作;