Partitioner分区过程分析

大家好，又见面了，我是全栈君，今天给大家准备了Idea注册码。

Partition中国人意味着分区，意义的碎片，这个阶段也是整个MapReduce该过程的第三阶段。在Map返回任务，是使key分到通过一定的分区算法。分到固定的区域中。给不同的Reduce做处理，达到负载均衡的目的。

他的运行过程事实上就是发生在上篇文章提到的collect的过程阶段，当输入的key调用了用户的map函数时。中间结果就会被分区了。虽说这个过程看似不是非常重要，可是也有值得学习的地方。Hadoop默认的算法是HashPartitioner，就是依据key的hashcode取摸运算，非常easy的。

/** Partition keys by their {@link Object#hashCode()}. 
 */
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;
  }

}

可是这尽管能保证了key的随机分布。但不能保证全局有序的实现，由于有些需求须要不同的分区呈现出阶段性的分布，第一个区全部key小于第二区间。相同第二区间要小于第三区间，而你的随机算法仅仅是局部有序，在区间内时有序的。可是存在第一区间的key会大于第二区间的。因此。这里出现了一个叫
TotalOrderPartitioner的类，这也是本次学习的重点。

先看看关系Partition的相关类结构。

Partitioner分区过程分析

可见。TotalOrderPartitioner还是挺复杂的。

TotalOrderPartitioner的作用就是保证全局有序，对于key的划分，他划分了几个key的抽样点。作为key的划分点，比【2,4,6,8】，4个key抽样点。把区间划成了5份，假设某个key的值为5,他的区间为4-6。所以在第三区间，也就是说，这个类的作用就是环绕给定的划分点，寻找他的区间号，就代表任务的完毕，至于你中间用的是二分搜索。还是其它的什么算法。都由你说了算。

好的。首先第一步，从配置文件里得到划分点，他事实上是存在于一个叫partition.file的文件里，配置中仅仅保留了路径，

public void configure(JobConf job) {
    try {
      //获得partition file
      String parts = getPartitionFile(job);
      final Path partFile = new Path(parts);
      final FileSystem fs = (DEFAULT_PATH.equals(parts))
        ? FileSystem.getLocal(job)     // assume in DistributedCache
        : partFile.getFileSystem(job);

      Class<K> keyClass = (Class<K>)job.getMapOutputKeyClass();
      //从partition中读出Spilts分区点
      K[] splitPoints = readPartitions(fs, partFile, keyClass, job);
      ....

spiltPoints在后面会起着关键的作用。

然后開始关键的操作了，假设你的key值类型不是BinaryComparable二进制比較类型的话。比方能直接比較值的数字类型，就直接用二分算法。创建二分搜索节点。传入自己的比較器实现:

....
      RawComparator<K> comparator =
        (RawComparator<K>) job.getOutputKeyComparator();
      for (int i = 0; i < splitPoints.length - 1; ++i) {
        if (comparator.compare(splitPoints[i], splitPoints[i+1]) >= 0) {
          throw new IOException("Split points are out of order");
        }
      }
      boolean natOrder =
        job.getBoolean("total.order.partitioner.natural.order", true);
      //推断是否为BinaryComparable类型，假设是，建立Trie树
      if (natOrder && BinaryComparable.class.isAssignableFrom(keyClass)) {
        partitions = buildTrie((BinaryComparable[])splitPoints, 0,
            splitPoints.length, new byte[0],
            job.getInt("total.order.partitioner.max.trie.depth", 2));
      } else {
    	//假设是不是则建立构建BinarySearchNode，用二分查找。用自己构建的比較器
        partitions = new BinarySearchNode(splitPoints, comparator);
      }

继续往里点，里面的获取分区号的算法。直接用的是二分搜索查找:

/**
   * For types that are not {@link org.apache.hadoop.io.BinaryComparable} or
   * where disabled by <tt>total.order.partitioner.natural.order</tt>,
   * search the partition keyset with a binary search.
   */
  class BinarySearchNode implements Node<K> {
	//比較的内容节点
    private final K[] splitPoints;
    //比較器
    private final RawComparator<K> comparator;
    BinarySearchNode(K[] splitPoints, RawComparator<K> comparator) {
      this.splitPoints = splitPoints;
      this.comparator = comparator;
    }
    
   /**
    * 通过自己传入的比較器方法进行二分查找
    */
    public int findPartition(K key) {
      final int pos = Arrays.binarySearch(splitPoints, key, comparator) + 1;
      return (pos < 0) ?
 -pos : pos;    }  }

可是假设key的类型假设是
BinaryComparable二进制比較类型的呢(你能够就理解为字符串类型)，则要依赖TrieTree的创建了。

里面分为2种节点，InnerTrieNode和LeafTrieNode，都继承了TrieNode , LeafTrieNode为叶子节点，最底层保存的是分区点刚刚说过的splitPoints。InnerTrieNode就是在叶子节点上面的节点。这个TrieTree的原理就是从上往下扫描节点，最后到叶子节点，返回分区号
。

有种二分搜索树的感觉。

每一个inner节点保留255个字节点，代表着255个字符

/**
   * An inner trie node that contains 256 children based on the next
   * character.
   */
  class InnerTrieNode extends TrieNode {
    private TrieNode[] child = new TrieNode[256];

    InnerTrieNode(int level) {
      super(level);
    }
    ...

所以最后的图线类似以下这样，这里仅仅显示出了A-Z 26个字母，事实上应该有255个:

能够想象这个树全然展开还是很大的，所以这是标准的空间换时间的算法实现，所以创建TrieTree的过程应该是递归的过程，直到到达最深的深度。此时应该创建的Leaf叶子节点，至此，树创建完成，看代码实现:

private TrieNode buildTrie(BinaryComparable[] splits, int lower,
      int upper, byte[] prefix, int maxDepth) {
    final int depth = prefix.length;
    if (depth >= maxDepth || lower == upper) {
      //深度抵达最大的时候，应创建叶子节点了
      return new LeafTrieNode(depth, splits, lower, upper);
    }
    InnerTrieNode result = new InnerTrieNode(depth);
    byte[] trial = Arrays.copyOf(prefix, prefix.length + 1);
    // append an extra byte on to the prefix
    int currentBound = lower;
    //每一个父节点拥有着255个子节点
    for(int ch = 0; ch < 255; ++ch) {
      trial[depth] = (byte) (ch + 1);
      lower = currentBound;
      while (currentBound < upper) {
        if (splits[currentBound].compareTo(trial, 0, trial.length) >= 0) {
          break;
        }
        currentBound += 1;
      }
      trial[depth] = (byte) ch;
      //result.child为首节点。递归创建子节点
      result.child[0xFF & ch] = buildTrie(splits, lower, currentBound, trial,
                                   maxDepth);
    }
    // pick up the rest
    trial[depth] = 127;
    result.child[255] = buildTrie(splits, currentBound, upper, trial,
                                  maxDepth);
    return result;
  }

以上的步骤还仅仅是初始化的过程，并不是key查找获取partition分区的操作。构建过程的的流程图例如以下:

接下来的步骤就是关键的输入key,进而查找分区的过程了。非二进制比較类型的情况非常easy。直接通过自己的插入的比較器，二分搜索就可以知道结果。我们看看TrieTree实现的字符串类型的查找分区怎样实现。从以上构建的过程。我们知道，他是一层层的逐层查找过程，比方你要找，aad这个字符。你当然首先得第一个节点找a,然后再往这个节点的第一个子节点就是字符a在查找，最后找到叶子节点，在叶子节点的查找，Hadoop还是用了二分查找，这时由于本身的划分数据不是非常多，不须要排序直接查找就可以。

以下看看代码的实现，首先是innner节点，但字符的查找:

....
    /**
     * 非叶子的节点的查询
     */
    public int findPartition(BinaryComparable key) {
      //获取当前的深度
      int level = getLevel();
      
      if (key.getLength() <= level) {
        return child[0].findPartition(key);
      }
      
      //从key在此位置相应的字符child開始继续搜寻下一个，key.getBytes()[level]为第level位置的字符
      return child[0xFF & key.getBytes()[level]].findPartition(key);
    }

假设抵达了最后一层的LeafTrieNode。调用的是他自己的方法:

....
    //在叶子节点，进行二分查找分区号
    public int findPartition(BinaryComparable key) {
      final int pos = Arrays.binarySearch(splitPoints, lower, upper, key) + 1;
      return (pos < 0) ? -pos : pos;
    }

终于返回的也是分区号。也就完毕了这个分区算法的终于实现了。标准的空间换时间算法，可是要保证此算法的高效性，对于划分点的採集就显得很重要了。得要保证有一定的代表性。才干保证分区间的有序。

在Hadoop中提供了3个採集的类:

SplitSampler：对前n个记录进行採样
RandomSampler：遍历全部数据，随机採样
IntervalSampler：固定间隔採样