Hive、MapReduce、Spark分布式生成唯一数值型ID

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，更多精彩内容 点我学

 

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

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。

更多精彩内容 点我学

下面的UDF可以在Hive中直接使用：

1. package com.lxw1234.hive.udf;
2.  
3. import org.apache.hadoop.hive.ql.exec.MapredContext;
4. import org.apache.hadoop.hive.ql.exec.UDFArgumentException;
5. import org.apache.hadoop.hive.ql.metadata.HiveException;
6. import org.apache.hadoop.hive.ql.udf.UDFType;
7. import org.apache.hadoop.hive.ql.udf.generic.GenericUDF;
8. import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspector;
9. importorg.apache.hadoop.hive.serde2.objectinspector.primitive.PrimitiveObjectInspectorFactory;
10. import org.apache.hadoop.io.LongWritable;
11.  
12. @UDFType(deterministic = false, stateful = true)
13. public class RowSeq2 extends GenericUDF {
14.  
15. private static LongWritable result = new LongWritable();
16. private static final char SEPARATOR = ‘_’;
17. private static final String ATTEMPT = “attempt”;
18. private long initID = 0l;
19. private int increment = 0;
20.  
21.  
22. @Override
23. public void configure(MapredContext context) {
24. increment = context.getJobConf().getNumMapTasks();
25. if(increment == 0) {
26. throw new IllegalArgumentException(“mapred.map.tasks is zero”);
27. }
28.  
29. initID = getInitId(context.getJobConf().get(“mapred.task.id”),increment);
30. if(initID == 0l) {
31. throw new IllegalArgumentException(“mapred.task.id”);
32. }
33.  
34. System.out.println(“initID : “ + initID + ” increment : “ + increment);
35. }
36.  
37. @Override
38. public ObjectInspector initialize(ObjectInspector[] arguments)
39. throws UDFArgumentException {
40. return PrimitiveObjectInspectorFactory.writableLongObjectInspector;
41. }
42.  
43. @Override
44. public Object evaluate(DeferredObject[] arguments) throws HiveException {
45. result.set(getValue());
46. increment(increment);
47. return result;
48. }
49.  
50. @Override
51. public String getDisplayString(String[] children) {
52. return “RowSeq-func()”;
53. }
54.  
55. private synchronized void increment(int incr) {
56. initID += incr;
57. }
58.  
59. private synchronized long getValue() {
60. return initID;
61. }
62.  
63. //attempt_1478926768563_0537_m_000004_0 // return 0+1
64. private long getInitId (String taskAttemptIDstr,int numTasks)
65. throws IllegalArgumentException {
66. try {
67. String[] parts = taskAttemptIDstr.split(Character.toString(SEPARATOR));
68. if(parts.length == 6) {
69. if(parts[0].equals(ATTEMPT)) {
70. if(!parts[3].equals(“m”) && !parts[3].equals(“r”)) {
71. throw new Exception();
72. }
73. long result = Long.parseLong(parts[4]);
74. if(result >= numTasks) { //if taskid >= numtasks
75. throw new Exception(“TaskAttemptId string : “ + taskAttemptIDstr
76. + ” parse ID [“ + result + “] >= numTasks[“ + numTasks + “] ..”);
77. }
78. return result + 1;
79. }
80. }
81. } catch (Exception e) {}
82. throw new IllegalArgumentException(“TaskAttemptId string : “ + taskAttemptIDstr
83. + ” is not properly formed”);
84. }
85.  
86. }
87.  

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:

1. ADD jar file:///tmp/udf.jar;
2. CREATE temporary function seq2 as ‘com.lxw1234.hive.udf.RowSeq2’;
3.  
4. hive>> desc lxw_all_ids;
5. OK
6. id string
7. Time taken: 0.074 seconds, Fetched: 1 row(s)
8. hive> select * from lxw_all_ids limit 5;
9. OK
10. 01779E7A06ABF5565A4982_cookie
11. 031E2D2408C29556420255_cookie
12. 03371ADA0B6E405806FFCD_cookie
13. 0517C4B701BC1256BFF6EC_cookie
14. 05F12ADE0E880455931C1A_cookie
15. Time taken: 0.215 seconds, Fetched: 5 row(s)
16. hive> select count(1) from lxw_all_ids;
17. 253402337
18.  
19. hive> create table lxw_all_ids2 as select id,seq2() as seq from lxw_all_ids;
20. …
21. Hadoop job information for Stage–1: number of mappers: 27; number of reducers: 0
22. …
23.  
24.  

更多精彩内容 点我学​​​​​​​

​​​​​​​

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：

1. hive> select * from lxw_all_ids2 limit 10;
2. OK
3. 766CA2770527B257D332AA_cookie 1
4. 5A0492DB0000C557A81383_cookie 28
5. 8C06A5770F176E58301EEF_cookie 55
6. 6498F47B0BCAFE5842B83A_cookie 82
7. 6DA33CB709A23758428A44_cookie 109
8. B766347B0D27925842AC2D_cookie 136
9. 5794357B050C99584251AC_cookie 163
10. 81D67A7B011BEA5842776C_cookie 190
11. 9D2F8EB40AEA525792347D_cookie 217
12. BD21077B09F9E25844D2C1_cookie 244
13.  
14. hive> select count(1),count(distinct seq) from lxw_all_ids2;
15. 253402337 253402337
16.  

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“.