題目：

一個文件，大小約為100G。文件的每一行都是一個數字，要求對文件中的所有數字進行排序。

對於這個題目，了解過Hadoop的同學可以笑而不語了。即使用spark實現也是非常簡單的事情。

先說下如何用Hadoop實現。實際上也沒什麽好說的：Map任務逐行讀入數字，而後在Reduce中輸出就可以了，簡單粗暴到令人發指。

看下代碼好了：

package com.zhyea.dev;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
 
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.IOException;

 
public class NumberSort {


    public static class SplitterMapper extends Mapper<Object, Text, IntWritable, IntWritable> {

        private static final IntWritable intWritable = new IntWritable();

        @Override
        public void map(Object key, Text value, Context context) {
            
 
try {
                int num = Integer.valueOf(value.toString());
                intWritable.set(num);
                context.write(intWritable, intWritable);
            } catch (Exception e) {
                e.printStackTrace();
            }
        }

    }


    public static class IntegrateReducer extends Reducer<IntWritable, IntWritable, IntWritable, IntWritable> {

        @Override
        public void reduce(IntWritable key, Iterable<IntWritable> values, Context context) {
            try {
                context.write(key, key);
            } catch (Exception e) {
                e.printStackTrace();
            }
        }

    }


    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {

        Configuration conf = new Configuration();

        Job job = Job.getInstance(conf, "number-sort");
        job.setJarByClass(NumberSort.class);

        job.setMapperClass(SplitterMapper.class);
        job.setReducerClass(IntegrateReducer.class);

        job.setOutputKeyClass(IntWritable.class);
        job.setOutputValueClass(IntWritable.class);

        FileInputFormat.addInputPath(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        System.exit(job.waitForCompletion(true) ? 0 : 1);
    }
}

在map方法中，輸出值的Value部分我選擇了一個IntWritable的值。Value值的類型也是可以設置為NullWritable的，不過這樣map任務執行起來會比較慢，雖然reduce任務執行的會快一些，但是終究是得不償失。

在我們的程序裏沒有執行任何排序的動作，但是輸出的結果是有序的，這是因為在shuffle階段已經完成了排序（一次快速排序，一次歸並排序）。

再來看看用spark是如何完成的：

object NumSortJob {


  def main(args: Array[String]): Unit = {
    val inputPath = args(0)
    val outputPath = args(1)
    val conf = new SparkConf().setAppName("Num Sort")
    val sc = new SparkContext(conf)
    val data = sc.hadoopFile[LongWritable, Text, TextInputFormat](inputPath)

    data.map(p => p._2.toString.toInt).distinct().sortBy[Int](p => p).coalesce(1, true).saveAsTextFile(outputPath)
  }

}

spark則需要主動進行排序。即使選擇了使用sortBasedShuffle，它的排序也僅止於mapper端的排序，結果集不一定是有序的。

#########

十二道MR習題 – 1 – 排序