hadoop - 在 Hadoop 中编写自定义分区程序的语法

Question

我了解自定义分区程序背后的想法。就我而言，我想将所有相同的单词发送到一个 one reducer。我知道我可以使用哈希码来做到这一点。

但是，我不确定 Hadoop API 中分区程序的语法。

这是签名:

Class Partitioner<KEY,VALUE> 

如何选择Key、Value类型？另外为什么我需要这里的值(value)？我不应该只使用 key 并根据某种逻辑返回一个整数(在我的例子中是哈希码)。

谁能举个例子解释一下？

Answer 1

默认分区器(HashPartitioner)的语法如下

 public class HashPartitioner extends Partitioner {
       public int getPartition(K key, V value, int numReduceTasks) {
              return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;
       }
 }

Key 必须是 WritableComparable 类型，因为框架必须根据键进行排序，而值可以是任何 Writable 类型，以便框架可以对其进行序列化和反序列化。

现在，当您询问对值类型的要求时，让我们以 MovieLense 案例研究为例，其中一个名为 ratings.dat 的文件具有

格式的数据 用户 ID::movieID::ratings::时间戳
在此评分中，用户对电影的评分范围为 1-5
现在假设 userID 是键，其他在值部分。现在假设您的要求是 reducer 的输出文件应该表示评级，例如一个文件包含评级 1 的所有记录，另一个文件包含评级 2 等等。因此，您的输出将包含 5 个代表评分的文件。

因此，现在在分区程序中，您可以根据值部分中包含的评级来决定将记录发送到哪个缩减器，例如，如果评级等于 1，则返回 0，如果评级等于 2，则返回 1，依此类推。 所以代码将如下所示

public class MoviePartitioner extends Partitioner{

    @Override
    public int getPartition(LongWritable userId, Movie value, int arg2) {

        int rating = Integer.parseInt(value.getMovieRating());
        return rating - 1;  // as rating starts from 1 
    }
}