Yahoo!研究人员使用hadoop完成了Jim Gray基准排序，此排序包含许多相关的基准，每个基准都有自己的规则。所有的排序基准都是通过测量不同记录的排序时间来制定的，每个记录为100字节， 其中前面的10字节是键，剩余的部分是数值。MinuteSort是比较在一分钟内所排序的数据量大小，GraySort是比较在对大规模数据（至少 100TB）进行排序时的排序速率（TBs/minute）。基准规则具体如下：
输入数据必须与数据生成器生成的数据完全匹配；
任务开始的时候，输入数据不能在操作系统的文件缓存中。在Linux环境下，排序程序之间需要使用内存来交换其他内容；
输入和输出数据都是没有经过压缩的；
输出不能对输入进行重写；
输出文件必须存放到磁盘上；
必须计算输入和输出数据的每个键/值对的CRC32，共128位校验和，当然，输入和输出必须对应相等；
输出如果分成多个输出文件，那么必须是完全有序的，也就是将这些输出文件连接以后必须是完全有序的输出；
开始和分布程序到集群上也要记入计算时间内；
任何抽样也要记入计算时间内。
Yahoo!的研究人员使用Hadoop排列1TB数据用时62秒，排列1PB数据用时16.25个小时，具体如表3-2所示，它获得了Daytona类GraySort和MinuteSort级别的冠军。
表3-2 数据规模与排序时间
 |
下面的内容是根据基准排序的官方网站（http://sortbenchmark.org/）上有关使用Hadoop排序的相关内容整理而成。
Yahoo!的研究人员编写了三个Hadoop应用程序来进行TB级数据的排序：
TeraGen产生数据的map/reduce程序；
TeraSort进行数据取样，并使用map/reduce对数据进行排序；
TeraValidate是用来验证输出数据是否有序的map/reduce程序。
TeraGen用来产生数据，它将数据按行排列并且根据执行任务的数目为每个map分配任务，每个map任务产生所分配行数范围内的数据。最后，TeraGen使用1800个任务产生总共100亿行的数据存储在HDFS上，每个存储块的大小为512MB。
TeraSort是标准的map/reduce排序程序，但这里使用的是不同的分配方法。程序中使用N-1个已排好序的抽样键值来为reduce任 务分配排序数据的行数范围。例如，键值key在范围sample[i-1]<=key<sample[i]的数据会分配给第i个reduce 任务。这样就保证了第i个reduce任务输出的数据都比第i+1个reduce任务输出的数据小。为了加速分配过程，分配器在抽样键值上建立两层的索引 结构树。TeraSort在任务提交之前在输入数据中进行抽样，并将产生的抽样数据写入HDFS中。这里规定了输入输出格式，使得三个应用程序可以正确地 读取并写入数据。reduce任务的副本数默认是3，这里设置为1，因为输出数据不需要复制到多个节点上。这里配置的任务为1800个map任务和 1800个reduce任务，并为任务的栈设置了充足的空间，防止产生的中间数据溢出到磁盘上。抽样器使用100 000个键值来决定reduce任务的边界，如图3-9所示，分布并不是很完美。
TeraValidate保证输出数据是全部排好序的，它为输出目录的每个文件分配一个map任务（如图3-10所示），map任务检查每个值是否 大于等于前一个值，同时输出最大值和最小值给reduce任务，reduce任务检查第i个文件的最小值是否大于第i-1文件的最大值，如果不是则产生错 误报告。
 |
| 图3-9 reduce任务的输出大小和完成时间分布图 |
以上应用程序运行在雅虎搭建的集群上，其集群配置为：
910个节点；
每个节点拥有4个英特尔双核2.0GHz至强处理器；
每个节点拥有4个SATA硬盘；
每个节点有8GB的内存；
每个节点有1GB的以太网带宽；
40个节点一个rack；
每个rack到核心有8GB的以太网带宽；
操作系统为Red Hat Enterprise Linux Server Release 5.1(kernel 2.6.18)；
JDK为Sun Java JDK 1.6.0_05-b13。
整个排序过程在209秒（3.48分钟）内完成，尽管拥有910个节点，但是网络核心是与其他2000个节点的集群共享的，所以运行时间会因为其他集群的活动而有所变化。
