MapReduce example

Question

我读到了关于mapreduce的文章，想知道一个特定的场景。假设我们有几个文件（例如fileA、fileB、fileC），每个文件都由多个整数组成。如果我们想对所有文件中的数字进行排序，以创建这样的东西：

23 fileA
34 fileB
35 fileA
60 fileA
60 fileC

映射和减少流程将如何工作？

目前，这是我所拥有的，但并不完全正确；

1. (fileName, fileContent) -> (map to) (Number, fileName)

2. 对临时键、值对进行排序(Number, (list of){fileName1, fileName2...})

3. 减少临时配对并获得

   (Number, fileName1)
   (Number, fileName2)
   

   等等

问题是，在排序阶段，文件名可能不按字母顺序排列，因此reduce部分不会生成正确的输出。有人能为这种情况的正确方法提供一些见解吗？

Answer 1

实现这一点的最佳方法是通过二次排序。您需要对键（在您的案例编号中）和值（在您案例文件名中）进行排序。在Hadoop中，映射程序的输出仅按键排序。

这可以通过使用复合键来实现：该键是数字和文件名的组合。例如，对于第一条记录，密钥将是（23，fileA），而不是仅是（23）。

您可以在此处阅读有关二次排序的信息：https://www.safaribooksonline.com/library/view/data-algorithms/9781491906170/ch01.html

您还可以浏览"Hadoop最终指南"一书中的"辅助排序部分。

为了简单起见，我写了一个程序来实现同样的目的。

在该程序中，默认情况下，键由映射器进行排序。我已经编写了一个逻辑来对reducer端的值进行排序。因此，它负责对键和值进行排序，并产生所需的输出。

以下是程序：

package com.myorg.hadooptests;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.*;
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.output.FileOutputFormat;
import java.io.IOException;
import java.util.*;
public class SortedValue {

    public static class SortedValueMapper
            extends Mapper<LongWritable, Text , Text, IntWritable>{
        public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
            String[] tokens = value.toString().split(" ");
            if(tokens.length == 2) {
                context.write(new Text(tokens[1]), new IntWritable(Integer.parseInt(tokens[0])));
            }
        }
    }
    public static class SortedValueReducer
            extends Reducer<Text, IntWritable, IntWritable, Text> {
        Map<String, ArrayList<Integer>> valueMap = new HashMap<String, ArrayList<Integer>>();
        public void reduce(Text key, Iterable<IntWritable> values,
                           Context context) throws IOException, InterruptedException {
            String keyStr = key.toString();
            ArrayList<Integer> storedValues = valueMap.get(keyStr);
            for (IntWritable value : values) {
                if (storedValues == null) {
                    storedValues = new ArrayList<Integer>();
                    valueMap.put(keyStr, storedValues);
                }
                storedValues.add(value.get());
            }
            Collections.sort(storedValues);
            for (Integer val : storedValues) {
                context.write(new IntWritable(val), key);
            }
        }
    }
    public static void main(String[] args) throws Exception {
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf, "CompositeKeyExample");
        job.setJarByClass(SortedValue.class);
        job.setMapperClass(SortedValueMapper.class);
        job.setReducerClass(SortedValueReducer.class);
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);
        job.setOutputKeyClass(IntWritable.class);
        job.setOutputValueClass(Text.class);
        FileInputFormat.addInputPath(job, new Path("/in/in1.txt"));
        FileOutputFormat.setOutputPath(job, new Path("/out/"));
        System.exit(job.waitForCompletion(true) ? 0:1);
    }
}

映射器逻辑：

1. 分析每一行。假设键和值由一个空白字符（"）分隔
2. 如果该行包含2个标记，则会发出（文件名，整数值）。例如，对于第一条记录，它会发出（fileA，23）

还原器逻辑：

1. 它将（key，value）对放在HashMap中，其中key是文件名，value是该文件的整数列表。例如，对于文件A，存储的值将是23、34和35

2. 最后，它对特定键的值进行排序，并对每个值从reducer中发射（value，key）。例如，对于fileA，输出的记录为：（23，fileA）、（34，fileA

我为以下输入运行了这个程序：

34 fileB
35 fileA
60 fileC
60 fileA
23 fileA

我得到了以下输出：

23      fileA
35      fileA
60      fileA
34      fileB
60      fileC