MapReduce 进阶：Partitioner 组件

怼烎@ 2022-07-12 06:56 163阅读 0赞

# 概述 #

Partitioner 组件可以让 Map 对 Key 进行分区，从而将不同分区的 Key 交由不同的 Reduce 处理。如果这么说让你觉得有一些笼统的话，那么本文可能很适合你，因为本文会依据一个具体的实例进行讲解。

--------------------

# 版权说明 #

著作权归原作者所有。   
商业转载请联系原作者获得授权，非商业转载请注明出处。   
本文转载自csdn文章：[MapReduce 进阶：Partitioner 组件][MapReduce _Partitioner]

--------------------

# 需求场景 #

假设我们现在要统计各个省份的男女人数，每个省份的数据单独保存。而我们的原始数据是这样的：

Fern girl guangdong 
    Alice girl jiangsu
    Bunny girl shanghai
    Amy girl xian
    Walker boy guangdong
    Ingram boy shichuang
    Paul boy shichuang
    Caroline girl jiangsu
    Esther girl jiangsu
    Eve girl tianjing
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
      
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10

第一个字段为名字，第二个字段为性别，第三个字段为省份。这是其中一个文件中的内容，全部文件的列表如下：   
![Center][]

--------------------

# Partitioner 组件 #

这里我并不打算讨论 Map 与 Reduce 过程，通过前面的学习，这一点我相信你一定是成竹在胸的。

## HashPartitioner ##

在一般的 MapReduce 过程中，我们知道可以通过 job.setNumReduceTasks(N) 来创建多个 ReducerTask 进行处理任务。可是，这种情况下，系统会调用默认的 Partitioner 也就是 HashPartitioner 来对 Map 的 key 进行分区。   
进入 [Hadoop][] 的源码，可以看到 HashPartitioner 的实现其实很简单。如下：

public class HashPartitioner<K2, V2> implements Partitioner<K2, V2> { 
    
      public void configure(JobConf job) {}
      /** Use {@link Object#hashCode()} to partition. */
      public int getPartition(K2 key, V2 value,
                              int numReduceTasks) {
        return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;
      }
    }
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
      
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9

HashPartitioner 对分区的处理过程也就是一个 hash 函数的事，hash 的好处是可以很 key 的分布更加随机。可是，hash 处理也有一个比较突出的问题，那就是某一个分区中可能会包含了很多不同的 key。   
原因就是因为这里需要对 numReduceTasks 进行取余（取余是必须的，因为 getPartition() 方法的返回值不可以大于 numReduceTasks ），所以你的 hashCode 相差再大也是于事无补。

## 自定义 Partitioner（Hash） ##

上面说默认的 HashPartitioner 解决起来会有一些问题，所以这里我们就需要自己定义 Partitioner 组件了。下面是我第一次进行自定义的 Partitioner 组件，也是用到了一个 hashCode()。

public static class WordcountHashPartitioner extends Partitioner<Text, IntWritable> { 
    
        @Override
        public int getPartition(Text key, IntWritable value, int numPartitions) {
            String location = key.toString().split(":")[0];
            return Math.abs(location.hashCode() * 127) % numPartitions;
        }
    }
     
      
       1
       2
       3
       4
       5
       6
       7
       8
      
     
      
       1
       2
       3
       4
       5
       6
       7
       8

运行 Hadoop 程序，不出所料也出现相同的问题（key 映射分区的分布不均匀）：   
![Center 1][]

## 自定义 Partitioner（非 Hash） ##

从上图的结果中可以看到各个文件的内容相差还是挺大的，尤其是其中还有一些文件没有内容，没有内容的原因是因为，本该写入此文件的数据，被分到了其他分区中了，也就被写入其他文件中了。于是，我修改了 Partitioner 中的代码，不再使用 hash，而是采用一对一映射的方法。代码如下（ 这里如果你不喜欢使用 switch … case，那么就使用一些重构手法修改它 ）：

public static class WordcountHashPartitionerNew extends Partitioner<Text, IntWritable> { 
    
        @Override
        public int getPartition(Text key, IntWritable value, int numPartitions) {
            String location = key.toString().split(":")[0];
            switch (location) {
            case "anhui":
                return 0;
    
            case "beijing":
                return 1;
            ( ... 此处省略 N 行 ...)
            case "zhejiang":
                return 16;
            }
    
            return 0;
        }
    }
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12
       13
       14
       15
       16
       17
       18
       19
      
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12
       13
       14
       15
       16
       17
       18
       19

修改之后，再来看执行结果就正常多了。最明显的一点就是没有 0 长度的文件了。检查了其中的文件，也没有发现异常情况。   
![Center 2][]

## 客户端调用 ##

public class PartitionerClient { 
    
        ( ... 此处省略 N 行 ...)
    
        public static void main(String[] args) throws Exception {
            PartitionerClient client = new PartitionerClient();
            client.execute(args);
        }
    
        private void execute(String[] args) throws Exception {
            ( ... 此处省略 N 行 ...)        
            runWordCountJob(inputPath, outputPath);
        }
    
        private int runWordCountJob(String inputPath, String outputPath) throws Exception {
            ( ... 此处省略 N 行 ...)
    
            job.setMapperClass(CorePartitioner.CoreMapper.class);
            job.setCombinerClass(CorePartitioner.CoreReducer.class);
            job.setPartitionerClass(CorePartitioner.WordcountHashPartitionerNew.class);
            job.setNumReduceTasks(17);
            job.setReducerClass(CorePartitioner.CoreReducer.class);
    
            ( ... 此处省略 N 行 ...)
        }
    }
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12
       13
       14
       15
       16
       17
       18
       19
       20
       21
       22
       23
       24
       25
       26
      
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12
       13
       14
       15
       16
       17
       18
       19
       20
       21
       22
       23
       24
       25
       26

这里调用的方式也就两句话：

job.setPartitionerClass(CorePartitioner.WordcountHashPartitionerNew.class);
    job.setNumReduceTasks(17);
     
      
       1
       2
      
     
      
       1
       2

前一句没什么好说的，与 job.setMapperClass(CorePartitioner.CoreMapper.class) 都是类似的。关于后一句，也就是设置 ReduceTasks 的个数。这个值会传递给 getPartition() 的 numPartitions 参数。

## 其他 Partitioner ##

查看 Partitioner 的 API 可以看到 Partitioner 的 4 个实现类：

BinaryPartitioner, HashPartitioner, KeyFieldBasedPartitioner, TotalOrderPartitioner
     
      
       1
      
     
      
       1

*  [BinaryPartitioner][]
 *  [HashPartitioner][]
 *  [KeyFieldBasedPartitioner][]
 *  [TotalOrderPartitioner][]

[MapReduce _Partitioner]: http://blog.csdn.net/lemon_tree12138/article/details/51730960
[Center]: /images/20220711/c20c12515d4a4ab78f525aec273024c3.png
[Hadoop]: http://lib.csdn.net/base/hadoop
[Center 1]: /images/20220711/1caf2582900b44f99acf7d99a45e56fc.png
[Center 2]: /images/20220711/7d50243d50874e46b62ee72713fbecfe.png
[BinaryPartitioner]: http://hadoop.apache.org/docs/current/api/org/apache/hadoop/mapreduce/lib/partition/BinaryPartitioner.html
[HashPartitioner]: http://hadoop.apache.org/docs/current/api/org/apache/hadoop/mapreduce/lib/partition/HashPartitioner.html
[KeyFieldBasedPartitioner]: http://blog.csdn.net/lemon_tree12138/article/details/hadoop.apache.org/docs/current/api/org/apache/hadoop/mapreduce/lib/partition/KeyFieldBasedPartitioner.html
[TotalOrderPartitioner]: http://hadoop.apache.org/docs/current/api/org/apache/hadoop/mapreduce/lib/partition/TotalOrderPartitioner.html