hadoop setCombinerClass Combiner Reduce

hadoop的入门用了一个星期，看了《Hadoop权威指南第2版中文版》、《Hadoop技术内幕 深入理解MapReduce架构设计与实现原理》两个PDF。

然后就开始干活了，首先要实现的是将原始数据中的用户id 和用户访问的url进行提取，并放入缓存，（工作内容背景就不介绍了，这里只是用hadoop实现工作中的一小部分）。

测试时，可以成功将数据生成文件part-00000，提取的数据样本也准确，当在Reduce代码里将结果加入缓存时，发现存入缓存的数据，是生成的数据文件中的数据的两倍，看了下数据结果，是缓存被存入了两次。

Reducer

public static class MyReducer extends Reducer<Text, Text, Text, Text> {
		String rhost = "";
		int rport=0;
		Jedis redis = null;
		protected void setup(Context context) throws IOException, InterruptedException {
			super.setup(context);
			this.rhost = context.getConfiguration().get("redis.host","localhost");
			this.rport = context.getConfiguration().getInt("redis.port", 6379);
			redis = new Jedis(rhost,rport);
			redis.select(1);
		}
		public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
			//context.write(key, new Text(""));
			context.getCounter("counter", "CountReduceTimes").increment(1);
			Map<String, String> hash = null;
			Integer idx = 1;
			if(null != redis&&redis.isConnected()){
				hash = redis.hgetAll(key.toString());
				_Log.info(key.toString()+" redis old map size:"+(hash==null?0:hash.size()));
				if(null != hash)
					idx = hash.size() + 1;
				else
					hash = new HashMap<String,String>();
			}
			else
				_Log.info("redis invalid, host:"+rhost+" port:"+rport+" isConnected:"+redis.isConnected());
			
			for (Text val : values) {
				context.write(key, val);
				if(null != hash){
					_Log.info(key.toString()+" oldMap size before put:"+hash.size());
					hash.put((idx++).toString(), val.toString());
				}
			}
			
			if(null != hash)
					redis.hmset(key.toString(),hash);
		}
	}

Mapper

public static class MyMapper extends Mapper<Object, WBCDR, Text, Text> {
		private List<String> urlLst = new ArrayList<String>();
		protected void setup(Context context) throws IOException, InterruptedException {
			super.setup(context);
			HdfsRwService service = new HdfsRwService(context.getConfiguration());
			try {
				String urlSrc = service.readText("/datas/wbcache/TargetUrl.txt");
				if(!"".equals(urlSrc))
				{
					//返回的是\r\n分隔的行
					String[] urlItem = urlSrc.split("\r\n");
					if(null != urlItem)
						for(String s:urlItem)
							//把该有的各种空白去掉\r\n \n
							if(!(s = s.trim()).equals(""))
								urlLst.add(/*s.endsWith("/")?s.substring(0, s.length()-1):*/s);
				}
			} catch (Exception e) {
				_Log.error(e, e);
			}
		}

		public boolean IsTargetUrl(String requestUrl)
		{
			boolean res = false;
			for(String s:urlLst)
				if(requestUrl.startsWith(s)){
					res = true;
					break;
				}
			return res;
		}
		public void map(Object key, WBCDR value, Context context) throws IOException, InterruptedException {
			String userId = value.getUserId();
			String requestUrl = value.getRequestUrl().trim().toLowerCase();
			String requestMethod = value.getRequestMethod();
			if("GET".equals(requestMethod))
			{
				if(requestUrl != null&&IsTargetUrl(requestUrl))
					context.write(new Text(userId), new Text(requestUrl));
				else
					context.getCounter("counter", "UrlOutOfTarget").increment(1);
			}
			else{
				context.getCounter("counter", "UrlOutOfGetMethod").increment(1);
			}
		}
	}

从map和reduce上看应该没什么问题，然后去看logs/userlog日志文件，貌似reduce被执行了两次，（也只有执行了两次才会重复存入缓存）。

然后翻书，重新理解mapreduce原理跟细节，无果。

然后重新看代码，

main

public static void main(String[] args) throws Exception {
		// TODO Auto-generated method stub
		if(args.length < 1) {
			_Log.info("plase input date [YYYYMMDD]...");
			return;
		}
		final String statDate = args[0];
		//final String reg = URLDecoder.decode(args[1], "UTF-8").trim().toLowerCase();
		//_Log.info("statDate:" + statDate + ",url=" + reg);
		
		Configuration conf = new Configuration();
		Job job = new Job(conf, GetRespCdrUserUrlDomain.class.getSimpleName());
		job.setJarByClass(GetRespCdrUserUrlDomain.class);
		//job.getConfiguration().set("conf.reg", reg);
		
		String [] datas = statDate.split(",");
		for (String data : datas) {
			Path inputPath = new Path(input + data.substring(0, 6) + "/" + data);
			FileInputFormat.addInputPath(job, inputPath);
			_Log.info("inputPath:" + inputPath);
		}
		
		Path outputPath = new Path(output + "_" + statDate + "_" + System.currentTimeMillis());
		FileOutputFormat.setOutputPath(job, outputPath);
		_Log.info("outputPath:" + outputPath);
		
		job.setMapperClass(MyMapper.class);
		//job.setCombinerClass(MyReducer.class);
		job.setReducerClass(MyReducer.class);
		job.setInputFormatClass(SequenceFileInputFormat.class);
		job.setMapOutputKeyClass(Text.class);
		job.setMapOutputValueClass(Text.class);
		job.setOutputFormatClass(TextOutputFormat.class);
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(Text.class);
		job.waitForCompletion(true);
	}

发现main多了job.setCombinerClass(MyReducer.class);，注释掉，打包，测试，看结果，一切OK。

也是时间太仓促，后面再结合源码深入学习了，网上查了下Combiner，这里说得比较好：http://blog.csdn.net/ipolaris/article/details/8723782

基本内容是：

在MapReduce中，当map生成的数据过大时，带宽就成了瓶颈，怎样精简压缩传给Reduce的数据，有不影响最终的结果呢。有一种方法就是使用Combiner，Combiner号称本地的Reduce，Reduce最终的输入，是Combiner的输出。

Combiner是用reducer来定义的，多数的情况下Combiner和reduce处理的是同一种逻辑，所以job.setCombinerClass()的参数可以直接使用定义的reduce，当然也可以单独去定义一个有别于reduce的Combiner，继承Reducer，写法基本上定义reduce一样。