Основываясь на примере подсчета слов из Hadoop — The Definitive Guide, я разработал задание mapreduce для подсчета появления неупорядоченных кортежей строк. Ввод выглядит так (только крупнее):
a b
c c
d d
b a
a d
d d
Запустив mapreduce, я ожидаю, что результат будет (для этого примера):
c c 1
d d 1
a b 2
a d 1
d d 1
Это означает, что я хочу, чтобы кортежи a, b и b, a считались одинаковыми. Вопрос уже задавался здесь: Hadoop MapReduce: два значения как ключ в Mapper-Reducer и, вероятно, был решен здесь https://developer.yahoo.com/hadoop/tutorial/module5.html#keytypes.
Для больших входных файлов я получаю вывод следующим образом: первый столбец - это хэш-код соотв. ключ:
151757761 a a 62822
153322274 a b 62516
154886787 a c 62248
156451300 a d 62495
153322274 b a 62334
154902916 b b 62232
158064200 b d 62759
154886787 c a 62200
156483558 c b 124966
158080329 c c 62347
159677100 d c 125047
156451300 d a 62653
158064200 d b 62603
161290000 d d 62778
Как видно, некоторые ключи дублируются, например 153322274 для a, b и b, a. Для других, таких как c, b (и b, c) и c, d (и d, c), подсчет правильный. Примерно в два раза больше, чем у других, потому что тестовые данные отрисовываются случайным образом.
Я искал проблему в течение некоторого времени, и теперь у меня закончились идеи, почему после фазы сокращения все еще могут быть дубликаты ключей.
Ниже приведен код, который я использую:
Сначала код для моего пользовательского WritableComparable
import org.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.io.WritableUtils;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
import java.math.BigInteger;
public class Pair implements WritableComparable<Pair> {
private String first;
private String second;
public Pair(String first, String second) {
this.first = first;
this.second = second;
}
public Pair() {
this("", "");
}
@Override
public String toString() {
return this.hashCode() + "\t" + first + "\t" + second;
}
@Override
public void write(DataOutput out) throws IOException {
WritableUtils.writeString(out, first);
WritableUtils.writeString(out, second);
}
@Override
public void readFields(DataInput in) throws IOException {
first = WritableUtils.readString(in);
second = WritableUtils.readString(in);
}
@Override
public int hashCode() {
BigInteger bA = BigInteger.ZERO;
BigInteger bB = BigInteger.ZERO;
for(int i = 0; i < first.length(); i++) {
bA = bA.add(BigInteger.valueOf(127L).pow(i+1).multiply(BigInteger.valueOf(first.codePointAt(i))));
}
for(int i = 0; i < second.length(); i++) {
bB = bB.add(BigInteger.valueOf(127L).pow(i+1).multiply(BigInteger.valueOf(second.codePointAt(i))));
}
return bA.multiply(bB).intValue();
}
@Override
public boolean equals(Object o) {
if (o instanceof Pair) {
Pair other = (Pair) o;
boolean result = ( first.compareTo(other.first) == 0 && second.compareTo(other.second) == 0 )
|| ( first.compareTo(other.second) == 0 && second.compareTo(other.first) == 0 );
return result;
}
return false;
}
@Override
public int compareTo(Pair other) {
if (( first.compareTo(other.first) == 0 && second.compareTo(other.second) == 0 )
|| ( first.compareTo(other.second) == 0 && second.compareTo(other.first) == 0 ) ) {
return 0;
} else {
int cmp = first.compareTo( other.first );
if (cmp != 0) {
return cmp;
}
return second.compareTo( other.second );
}
}
}
И остальное:
import java.io.IOException;
import java.util.StringTokenizer;
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 org.apache.hadoop.util.GenericOptionsParser;
public class PairCount {
public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
if (otherArgs.length < 2) {
System.err.println("Usage: paircount <in-dir> <out-dir>");
System.exit(2);
}
Job job = new Job(conf, "word count");
job.setJarByClass(PairCount.class);
job.setMapperClass(TokenizerMapper.class);
job.setReducerClass(IntSumReducer.class);
job.setMapOutputKeyClass(Pair.class);
job.setMapOutputValueClass(IntWritable.class);
job.setOutputKeyClass(Pair.class);
job.setOutputValueClass(IntWritable.class);
for (int i = 0; i < otherArgs.length - 1; ++i) {
FileInputFormat.addInputPath(job, new Path(otherArgs[i]));
}
FileOutputFormat.setOutputPath(job, new Path(otherArgs[otherArgs.length - 1]));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
public static class TokenizerMapper extends Mapper<Object, Text, Pair, IntWritable> {
private final static IntWritable one = new IntWritable(1);
public void map(Object key, Text value, Context context) throws IOException, InterruptedException {
StringTokenizer itr = new StringTokenizer(value.toString());
while (itr.hasMoreTokens()) {
context.write(new Pair(itr.nextToken(), itr.nextToken()), one);
}
}
}
public static class IntSumReducer extends Reducer<Pair, IntWritable, Pair, IntWritable> {
private IntWritable result = new IntWritable();
public void reduce(Pair key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
int sum = 0;
for (IntWritable val : values) {
sum += val.get();
}
result.set(sum);
context.write( key, result);
}
}
}
Изменить: я добавил модульные тесты для функций hashCode() и compareTo(). Они отлично работают.
import org.junit.Test;
import static org.junit.Assert.assertEquals;
import static org.junit.Assert.assertNotEquals;
import static org.junit.Assert.assertTrue;
public class Tests {
@Test
public void testPairComparison() {
assertTrue( 0 == new Pair("a", "a").compareTo(new Pair("a", "a")) );
assertTrue( 0 == new Pair("a", "b").compareTo(new Pair("b", "a")) );
assertTrue( 0 == new Pair("a", "c").compareTo(new Pair("c", "a")) );
assertTrue( 0 == new Pair("a", "d").compareTo(new Pair("d", "a")) );
assertTrue( 0 == new Pair("b", "b").compareTo(new Pair("b", "b")) );
assertTrue( 0 == new Pair("b", "c").compareTo(new Pair("c", "b")) );
assertTrue( 0 == new Pair("b", "d").compareTo(new Pair("d", "b")) );
assertTrue( 0 == new Pair("c", "c").compareTo(new Pair("c", "c")) );
assertTrue( 0 == new Pair("c", "d").compareTo(new Pair("d", "c")) );
assertTrue( 0 == new Pair("d", "d").compareTo(new Pair("d", "d")) );
assertTrue( 0 > new Pair("a", "a").compareTo(new Pair("b", "b")) );
assertTrue( 0 > new Pair("a", "a").compareTo(new Pair("c", "b")) );
assertTrue( 0 < new Pair("d", "d").compareTo(new Pair("c", "b")) );
assertTrue( 0 < new Pair("c", "d").compareTo(new Pair("c", "a")) );
}
@Test
public void testPairHashcode(){
assertTrue( 0 != new Pair("a", "a").hashCode());
assertTrue( 0 != new Pair("a", "b").hashCode());
assertTrue( 0 != new Pair("a", "c").hashCode());
assertTrue( 0 != new Pair("a", "d").hashCode());
assertTrue( 0 != new Pair("b", "b").hashCode());
assertTrue( 0 != new Pair("b", "c").hashCode());
assertTrue( 0 != new Pair("b", "d").hashCode());
assertTrue( 0 != new Pair("c", "c").hashCode());
assertTrue( 0 != new Pair("c", "d").hashCode());
assertTrue( 0 != new Pair("d", "d").hashCode());
assertEquals( new Pair("a", "a").hashCode(), new Pair("a", "a").hashCode() );
assertEquals( new Pair("a", "b").hashCode(), new Pair("b", "a").hashCode() );
assertEquals( new Pair("a", "c").hashCode(), new Pair("c", "a").hashCode() );
assertEquals( new Pair("a", "d").hashCode(), new Pair("d", "a").hashCode() );
assertEquals( new Pair("b", "b").hashCode(), new Pair("b", "b").hashCode() );
assertEquals( new Pair("b", "c").hashCode(), new Pair("c", "b").hashCode() );
assertEquals( new Pair("b", "d").hashCode(), new Pair("d", "b").hashCode() );
assertEquals( new Pair("c", "c").hashCode(), new Pair("c", "c").hashCode() );
assertEquals( new Pair("c", "d").hashCode(), new Pair("d", "c").hashCode() );
assertEquals( new Pair("d", "d").hashCode(), new Pair("d", "d").hashCode() );
assertNotEquals( new Pair("a", "a").hashCode(), new Pair("b", "b").hashCode() );
assertNotEquals( new Pair("a", "b").hashCode(), new Pair("b", "d").hashCode() );
assertNotEquals( new Pair("a", "c").hashCode(), new Pair("d", "a").hashCode() );
assertNotEquals( new Pair("a", "d").hashCode(), new Pair("a", "a").hashCode() );
}
}
Но я понял, что изменение compareTo() так, чтобы оно всегда возвращало 0, приведет к тому, что каждая пара будет считаться одинаковой, что приведет к результату:
156483558 c b 1000000
в то время как изменение hashCode(), чтобы всегда возвращать 0 (для тех же входных данных, что и выше), приведет к тому же результату, что и выше, только с нулевыми ключами.
0 a a 62822
0 a b 62516
0 a c 62248
0 a d 62495
0 b a 62334
0 b b 62232
0 b d 62759
0 c a 62200
0 c b 124966
0 c c 62347
0 d c 125047
0 d a 62653
0 d b 62603
0 d d 62778
Редактировать:
Я исследовал дальше, заставив compareTo() печатать то, что сравнивается. Это показало, что некоторые ключи, такие как a,b и b,a, никогда не сравниваются друг с другом, поэтому не группируются.
Если не все ключи сравниваются друг с другом, как вообще возможна группировка (кроме использования hashCode(), чего она не делает)?
Я думаю, что есть какая-то крошечная вещь, которую я упускаю. Я рад любым идеям! Заранее большое спасибо.
с уважением