hadoop提交作业自定义排序和分组

现有数据如下：

3 3
3 2
3 1
2 2
2 1
1 1

要求为：

先按第一列从小到大排序，如果第一列相同，按第二列从小到大排序

如果是hadoop默认的排序方式，只能比较key，也就是第一列，而value是无法参与排序的

这时候就需要用到自定义的排序规则

解决思路：

自定义数据类型，将原本的key和value都包装进去

将这个数据类型当做key，这样就比较key的时候就可以包含第一列和第二列的值了

自定义数据类型NewK2如下：

//要实现自定义的排序规则必须实现WritableComparable接口，泛型参数为类本身
	public class NewK2 implements WritableComparable<NewK2> {
		//代表第一列和第二列的数据
		Long first;
		Long second;

		public NewK2() {
		}

		public NewK2(long first, long second) {
			this.first = first;
			this.second = second;
		}
		
		//重写序列化和反序列化方法
		@Override
		public void readFields(DataInput in) throws IOException {
			this.first = in.readLong();
			this.second = in.readLong();
		}

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

		//当k2进行排序时，会自动调用该方法. 当第一列不同时，升序；当第一列相同时，第二列升序
		//如果希望降序排列，那么只需要对调this对象和o对象的顺序
		@Override
		public int compareTo(NewK2 o) {
			if(this.first != o.first)
			{
				return (int)(this.first - o.first);
			}
			else
			{
				return (int) (this.second - o.second);
			}
		}
		
		//重写hashCode和equals方法
		@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);
		}
	}

MyMapper类代码：

public 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("\t");
			//分割完成之后的数据如：3,1  分别赋值给k2对象的first和second属性
			final NewK2 k2 = new NewK2(Long.parseLong(splited[0]),
					Long.parseLong(splited[1]));
			final LongWritable v2 = new LongWritable(Long.parseLong(splited[1]));
			//将k2当做key输出，这样在排序的时候就会调用NewK2的compareTo方法，里面写的是我们自己的排序规则
			context.write(k2, v2);
		};
	}

MyReducer类代码：

public 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));
		};
	}

MySubmit类的代码和之前的一样无需改动

运行可得到结果如下图：

如果业务需求又发生了改变，如：上图结果中，第一列相同的，只要列出第二列的值最小的那个选项即可

那么结果应该为
1 1

2 1

3 1

可是我们之前使用的是自定义的数据类型当做key

而hadoop默认的分组策略是所有key相同的选项当做一组

而两个NewK2对象要相等，就必须要first和second属性都相等才行

这时就需要用到自定义的分组策略

自定义分组类如下：

//自定义的分组类必须实现RawComparator，泛型参数为类本身
	public class MyGroupingComparator implements RawComparator<NewK2> {
		//重写两个比较方法
		
		//按对象进行比较，规定只要两个NewK2对象的first属性相同就视为相等
		@Override
		public int compare(NewK2 o1, NewK2 o2) {
			return (int) (o1.first - o2.first);
		}

		/**
		 * @param arg0
		 *            表示第一个参与比较的字节数组
		 * @param arg1
		 *            表示第一个参与比较的字节数组的起始位置
		 * @param arg2
		 *            表示第一个参与比较的字节数组的偏移量
		 * 
		 * @param arg3
		 *            表示第二个参与比较的字节数组
		 * @param arg4
		 *            表示第二个参与比较的字节数组的起始位置
		 * @param arg5
		 *            表示第二个参与比较的字节数组的偏移量
		 */
		@Override
		public int compare(byte[] arg0, int arg1, int arg2, byte[] arg3,
				int arg4, int arg5) {
			return WritableComparator
					.compareBytes(arg0, arg1, 8, arg3, arg4, 8);
		}

	}

在MySubmit代码中加入设置分组策略

// 1.4 TODO 排序、分区
		job.setGroupingComparatorClass(MyGroupingComparator.class);

再次运行程序可得到如下图的结果：