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。
　　**********************************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。
　　*********************************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
　　5    a
　　4    b
　　74    c
　　................
　　.........................
　　4    f2.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.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，分区是0的会分到第一个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。这样最后就会让形成数目最大的字符串就会在第一个生成文件里，排好的序就会文件命的顺序。 代码如下：
　　*******************************分割线*****************************************map：
　　/**
　　* 把上一个mapreduce的结果的key和value颠倒，调到后就可以按照key排序了。
　　*
　　* @author zhangdonghao
　　*
　　*/
　　public class SortIntValueMapper extends
　　Mapper<LongWritable, Text, IntWritable, Text> {
　　private final static IntWritable wordCount = new IntWritable(1);
　　private Text word = new Text();
　　public SortIntValueMapper() {
　　super();
　　}
　　@Override
　　public void map(LongWritable key, Text value, Context context)
　　throws IOException, InterruptedException {
　　StringTokenizer tokenizer = new StringTokenizer(value.toString());
　　while (tokenizer.hasMoreTokens()) {
　　word.set(tokenizer.nextToken().trim());
　　wordCount.set(Integer.valueOf(tokenizer.nextToken().trim()));
　　context.write(wordCount, word);
　　}
　　}
　　}reudce:
　　/**
　　* 把key和value颠倒过来输出
　　* @author zhangdonghao
　　*
　　*/
　　public class SortIntValueReduce extends
　　Reducer<IntWritable, Text, Text, IntWritable> {
　　private Text result = new Text();
　　@Override
　　public void reduce(IntWritable key, Iterable<Text> values, Context context)
　　throws IOException, InterruptedException {
　　for (Text val : values) {
　　result.set(val.toString());
　　context.write(result, key);
　　}
　　}
　　}Partitioner:
　　/**
　　* 按照key的大小来划分区间，当然，key 是 int值
　　*
　　* @author zhangdonghao
　　*
　　*/
　　public class KeySectionPartitioner<K, V> extends Partitioner<K, V> {
　　public KeySectionPartitioner() {
　　}
　　@Override
　　public int getPartition(K key, V value, int numReduceTasks) {
　　/**
　　* int值的hashcode还是自己本身的数值
　　*/
　　//这里我认为大于maxValue的就应该在第一个分区
　　int maxValue = 50;
　　int keySection = 0;
　　// 只有传过来的key值大于maxValue 并且numReduceTasks比如大于1个才需要分区，否则直接返回0
　　if (numReduceTasks > 1 && key.hashCode() < maxValue) {
　　int sectionValue = maxValue / (numReduceTasks - 1);
　　int count = 0;
　　while ((key.hashCode() - sectionValue * count) > sectionValue) {
　　count++;
　　}
　　keySection = numReduceTasks - 1 - count;
　　}
　　return keySection;
　　}
　　}Comparator：
　　/**
　　* int的key按照降序排列
　　*
　　* @author zhangdonghao
　　*
　　*/
　　public class IntKeyAscComparator extends WritableComparator {
　　protected IntKeyAscComparator() {
　　super(IntWritable.class, true);
　　}
　　@Override
　　public int compare(WritableComparable a, WritableComparable b) {
　　return -super.compare(a, b);
　　}
　　}job的关键设置：
　　/**
　　* 这里是map输出的key和value类型
　　*/
　　job.setOutputKeyClass(IntWritable.class);
　　job.setOutputValueClass(Text.class);
　　job.setMapperClass(SortIntValueMapper.class);
　　// job.setCombinerClass(WordCountReduce.class);
　　job.setReducerClass(SortIntValueReduce.class);
　　// key按照降序排列
　　job.setSortComparatorClass(IntKeyAscComparator.class);
　　job.setPartitionerClass(KeySectionPartitioner.class);
　　job.setInputFormatClass(TextInputFormat.class);
　　job.setOutputFormatClass(TextOutputFormat.class);
　　/**
　　*这里可以放输入目录数组，也就是可以把上一个job所有的结果都放进去
　　**/
　　FileInputFormat.setInputPaths(job, inputPath);
　　FileOutputFormat.setOutputPath(job,outputPath);大概就是这样，亲测可用。(^__^)