利用hadoop mapreduce做数据排序


利用hadoop mapreduce做数据排序
 
  我们的需求是想统计一个文件中用IK分词后每个词出现的次数，然后按照出现的次数降序排列。也就是高频词统计。
由于hadoop在reduce之后就不能对结果做什么了，所以只能分为两个job完成，第一个job统计次数，第二个job对第一个job的结果排序。 第一个job的就是hadoop最简单的例子countwords，我要说的是用hadoop对结果排序。 假设第一个job的结果输出如下：
part-r-0000文件内容：
 
a   5
b   4
c   74
d   78
e   1
r   64
f    4
要做的就是按照每个词出现的次数降序排列。
1
**********************************分割线*****************************************
首先可能会出现这样的问题：
 
1.可能上一个job为多个reduce，也就是会产生多个结果文件，因为一个reduce就会生成一个结果文件，结果存放在上一个job输出目录下类似part-r-00的文件里。
 
2.需要排序的文件内容很大，所以需要考虑多个reduce的情况。
 
1
*********************************分割线*******************************
怎么去设计mapreduce
 
1.在map阶段按照行读取文本，然后调用map方法时把上一个job的结果颠倒，也就是map后结果应该是这样的
 
1
5    a
2
4    b
3
74    c
4
................
5
.........................
6
4    f
2.然后map后，hadoop会对结果进行分组，这时结果就会变成
 
(5：a)
(4:b,f)
(74:c)
3.因为hadoop对数据分组后默认是按照key升序排序的，所以需要自定义排序函数将分组数据降序排序。 4.然后按照reduce数目的大小自定义分区函数，让结果形成多个区间，比如我认为大于50的应该在一个区间，一共3个reduce，那么最后的数据应该是三个区间，大于50的直接分到第一个分区0，25到50之间的分到第二个分区1，小于25的分到第三个分区2.因为分区数和reduce数是相同的，所以不同的分区对应不同的reduce，因为分区是从0开始的，数据分区到分区0的会被分到第一个reduce处理,分区是1的会分到第2个reduce处理，依次类推。并且reduce对应着输出文件，所以，第一个reduce生成的文件就会是part-r-0000，第二个reduce对应的生成文件就会是part-r-0001，依次类推，所以reduce处理时只需要把key和value再倒过来直接输出。这样最后就会形成数目最大的字符串就会在第一个生成文件里，排好序的数据就是按照文件命名的顺序存放的。
**其实就是利用了hadoop分组的特点，会把key相同的字符串放到一个组里，然后我们把分组的数据用自己定义的排序函数按照key排序后，再按照分区函数分到不同的reduce，固然会是第一个reduce结果文件里面是最大数字的已排序集合，也就是说需要排好序的数据时只需要依次遍历reduce的结果文件part-r-0000，part-r0001,part-r-0002...。当然，如果只有一个reduce，那就正好是一个排好序的结果文件。**