微信搜索bigdata029 | 邀请体验:数阅–数据管理、OLAP分析与可视化平台 | 订阅本站 | 赞助作者:赞助作者

Hive、MapReduce、Spark分布式生成唯一数值型ID

Hadoop lxw1234@qq.com 2797℃ 0评论

在实际业务场景下,经常会遇到在Hive、MapReduce、Spark中需要生成唯一的数值型ID。

一般常用的做法有:

  1. MapReduce中使用1个Reduce来生成;
  2. Hive中使用row_number分析函数来生成,其实也是1个Reduce;
  3. 借助HBase或Redis或Zookeeper等其它框架的计数器来生成;

数据量不大的情况下,可以直接使用1和2方法来生成,但如果数据量巨大,1个Reduce处理起来就非常慢。

在数据量非常大的情况下,如果你仅仅需要唯一的数值型ID,注意:不是需要”连续的唯一的数值型ID”,那么可以考虑采用本文中介绍的方法,否则,请使用第3种方法来完成。

Spark中生成这样的非连续唯一数值型ID,非常简单,直接使用zipWithUniqueId()即可。

关于zipWithUniqueId,可参考:http://lxw1234.com/archives/2015/07/352.htm

 

参考zipWithUniqueId()的方法,在MapReduce和Hive中,实现如下:

lxw1234

在Spark中,zipWithUniqueId是通过使用分区Index作为每个分区ID的开始值,在每个分区内,ID增长的步长为该RDD的分区数,那么在MapReduce和Hive中,也可以照此思路实现,Spark中的分区数,即为MapReduce中的Map数,Spark分区的Index,即为Map Task的ID。Map数,可以通过JobConf的getNumMapTasks(),而Map Task ID,可以通过参数mapred.task.id获取,格式如:attempt_1478926768563_0537_m_000004_0,截取m_000004_0中的4,再加1,作为该Map Task的ID起始值。注意:这两个只均需要在Job运行时才能获取。另外,从图中也可以看出,每个分区/Map Task中的数据量不是绝对一致的,因此,生成的ID不是连续的。

下面的UDF可以在Hive中直接使用:

package com.lxw1234.hive.udf;

import org.apache.hadoop.hive.ql.exec.MapredContext;
import org.apache.hadoop.hive.ql.exec.UDFArgumentException;
import org.apache.hadoop.hive.ql.metadata.HiveException;
import org.apache.hadoop.hive.ql.udf.UDFType;
import org.apache.hadoop.hive.ql.udf.generic.GenericUDF;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.primitive.PrimitiveObjectInspectorFactory;
import org.apache.hadoop.io.LongWritable;

@UDFType(deterministic = false, stateful = true)
public class RowSeq2 extends GenericUDF {
    
    private static LongWritable result = new LongWritable();
    private static final char SEPARATOR = '_';
    private static final String ATTEMPT = "attempt";
    private long initID = 0l;
    private int increment = 0;
    
    
    @Override
    public void configure(MapredContext context) {
        increment = context.getJobConf().getNumMapTasks();
        if(increment == 0) {
            throw new IllegalArgumentException("mapred.map.tasks is zero");
        }
        
        initID = getInitId(context.getJobConf().get("mapred.task.id"),increment);
        if(initID == 0l) {
            throw new IllegalArgumentException("mapred.task.id");
        }
        
        System.out.println("initID : " + initID + "  increment : " + increment);
    }
    
    @Override
    public ObjectInspector initialize(ObjectInspector[] arguments)
            throws UDFArgumentException {
        return PrimitiveObjectInspectorFactory.writableLongObjectInspector;
    }

    @Override
    public Object evaluate(DeferredObject[] arguments) throws HiveException {
        result.set(getValue());
        increment(increment);
        return result;
    }
    
    @Override
    public String getDisplayString(String[] children) {
        return "RowSeq-func()";
    }
    
    private synchronized void increment(int incr) {
        initID += incr;
    }
    
    private synchronized long getValue() {
        return initID;
    }
    
    //attempt_1478926768563_0537_m_000004_0 // return 0+1
    private long getInitId (String taskAttemptIDstr,int numTasks)
            throws IllegalArgumentException {
        try {
            String[] parts = taskAttemptIDstr.split(Character.toString(SEPARATOR));
            if(parts.length == 6) {
                if(parts[0].equals(ATTEMPT)) {
                    if(!parts[3].equals("m") && !parts[3].equals("r")) {
                        throw new Exception();
                    }
                    long result = Long.parseLong(parts[4]);
                    if(result >= numTasks) { //if taskid >= numtasks
                        throw new Exception("TaskAttemptId string : " + taskAttemptIDstr
                                + "  parse ID [" + result + "] >= numTasks[" + numTasks + "] ..");
                    }
                    return result + 1;
                }
            }
        } catch (Exception e) {}
        throw new IllegalArgumentException("TaskAttemptId string : " + taskAttemptIDstr
                + " is not properly formed");
    }
    
}

有一张去重后的用户id(字符串类型)表,需要位每个用户id生成一个唯一的数值型seq:

ADD jar file:///tmp/udf.jar;
CREATE temporary function seq2 as 'com.lxw1234.hive.udf.RowSeq2';

hive>> desc lxw_all_ids;
OK
id                      string                                      
Time taken: 0.074 seconds, Fetched: 1 row(s)
hive> select * from lxw_all_ids limit 5;
OK
01779E7A06ABF5565A4982_cookie
031E2D2408C29556420255_cookie
03371ADA0B6E405806FFCD_cookie
0517C4B701BC1256BFF6EC_cookie
05F12ADE0E880455931C1A_cookie
Time taken: 0.215 seconds, Fetched: 5 row(s)
hive> select count(1) from lxw_all_ids;
253402337

hive> create table lxw_all_ids2 as select id,seq2() as seq from lxw_all_ids;
…
Hadoop job information for Stage-1: number of mappers: 27; number of reducers: 0
…



该Job使用了27个Map Task,没有使用Reduce,那么将会产生27个结果文件。

再看结果表中的数据:

hive> select * from lxw_all_ids2 limit 10;
OK
766CA2770527B257D332AA_cookie   1
5A0492DB0000C557A81383_cookie   28
8C06A5770F176E58301EEF_cookie   55
6498F47B0BCAFE5842B83A_cookie   82
6DA33CB709A23758428A44_cookie   109
B766347B0D27925842AC2D_cookie   136
5794357B050C99584251AC_cookie   163
81D67A7B011BEA5842776C_cookie   190
9D2F8EB40AEA525792347D_cookie   217
BD21077B09F9E25844D2C1_cookie   244

hive> select count(1),count(distinct seq) from lxw_all_ids2;
253402337       253402337

limit 10只从第一个结果文件,即MapTaskId为0的结果文件中拿了10条,这个Map中,start=1,increment=27,因此生成的ID如上所示。

count(1),count(distinct seq)的值相同,说明seq没有重复值,你可以试试max(seq),结果必然大于253402337,说明seq是”非连续唯一数值型ID“.

 

如果觉得本博客对您有帮助,请 赞助作者

转载请注明:lxw的大数据田地 » Hive、MapReduce、Spark分布式生成唯一数值型ID

喜欢 (9)
分享 (0)
发表我的评论
取消评论
表情

Hi,您需要填写昵称和邮箱!

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址