Hadoop基础教程-第6章 MapReduce入门（6.3 加速WordCount）（草稿）

第6章 MapReduce入门

---

6.3 加速WordCount

6.3.1 问题分析

• MapReduce的性能很大程度受限于网络宽带，当map输出中间结果很大时，然后通过网络将中间结果传递给reduce方法，这时MapReduce的性能较差。

• 通过对WordCount程序分析，大家可能已经发现其中存在一个很“笨”的问题：map方法输出值是<word,1>形式，如果map方法处理的文本很大，则输出的<word,1>很多很多。如果能减少map方法输入内容，也就是减少中间结果值，那么下一步传递给reduce的数据量，也即是reduce的输入数据量将会减小。

• combine过程正是对map方法输出结果在发送到reduce前进行聚合减少传输数据量。

如图所示，combine过程发生在map方法和reduce方法之间，它将中间结果进行了一次合并。

6.3.2 WordCount v2.0

想在自己的MapReduce程序中其中combine过程，其实很简单，只需要在main方法中增加如下代码：

job.setCombinerClass(IntSumReducer.class);

WordCount v2.0 完整代码如下：

package cn.hadron.mr;

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;

public class WordCount2 {
    //4个泛型参数：前两个表示map的输入键值对的key和value的类型，后两个表示输出键值对的key和value的类型
    public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable> {

        private final static IntWritable one = new IntWritable(1);
        private Text word = new Text();
        //map方法中value值存储的是文本文件中的一行（以回车符为行结束标记），而key值为该行的首字母相对于文本文件的首地址的偏移量
        public void map(Object key, Text value, Context context) throws IOException, InterruptedException {
            StringTokenizer itr = new StringTokenizer(value.toString());
            //StringTokenizer类将每一行拆分成为一个个的单词，并将<word,1>作为map方法的结果输出
            while (itr.hasMoreTokens()) {
                word.set(itr.nextToken());
                context.write(word, one);
            }
        }
    }

    public static class IntSumReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
        private IntWritable result = new IntWritable();
        //Map过程输出<key,values>中key为单个单词，而values是对应单词的计数值所组成的列表，Map的输出就是Reduce的输入，
        //所以reduce方法只要遍历values并求和，即可得到某个单词的总次数。
        public void reduce(Text 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);
        }
    }
    //执行MapReduce任务
    public static void main(String[] args) throws Exception {
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf, "wordCount");
        job.setJarByClass(WordCount2.class);
        job.setMapperClass(TokenizerMapper.class);
        job.setCombinerClass(IntSumReducer.class);
        job.setReducerClass(IntSumReducer.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);
        //开启combine过程
        job.setCombinerClass(IntSumReducer.class);
        //命令行输入的第一个参数是输入路径，第二个参数是输出路径
        FileInputFormat.addInputPath(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));
        System.exit(job.waitForCompletion(true) ? 0 : 1);
    }
}

6.3.3 Combiner注意事项

• Combiner能够提高性能，但是不是所有场景都适合。具体问题，需要最具体分析。
• Combiner仅适合求解最大值、最小值以及求和等场景。