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。下面以《Hadoop in action》中的专利数据为例。我们打算统计每个国家的专利数目。代码如下(使用Combiner的代码注释掉):
package net.csdn.blog.ipolaris.hadoopdemo;
import java.io.IOException;
import net.scdn.blog.ipolaris.util.ArgsTool;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
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;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;
public class Demo1 extends Configured implements Tool{
/**
* @param args
* @throws Exception
*/
public static void main(String[] args) throws Exception {
System.exit(ToolRunner.run(new Demo1(), args));
}
public static class DemoMap extends Mapper<LongWritable, Text, Text, IntWritable>{
@Override
protected void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException {
String line = value.toString();
String[] splitdata = line.split("\\,");
String contry = splitdata[4];
System.out.println("country:"+contry);
if (contry.trim().equals("\"COUNTRY\"")) {
return;
}else{
context.write(new Text(contry), new IntWritable(1));
}
}
}
public static class DemoReduce extends Reducer<Text, IntWritable, Text, IntWritable>{
@Override
protected void reduce(Text arg0, Iterable<IntWritable> arg1,Context context)
throws IOException, InterruptedException {
System.out.println("reduce");
int sum = 0;
for (IntWritable num : arg1) {
sum += num.get();
}
context.write(arg0, new IntWritable(sum));
}
}
@Override
public int run(String[] arg0) throws Exception {
Configuration conf = getConf();
Job job = new Job(conf, "demo1");
String inputPath = ArgsTool.getArg(arg0, "input");
String outputPath = ArgsTool.getArg(arg0, "output");
FileInputFormat.addInputPath(job, new Path(inputPath));
FileOutputFormat.setOutputPath(job, new Path(outputPath));
job.setJarByClass(Demo1.class);
job.setMapperClass(DemoMap.class);
job.setReducerClass(DemoReduce.class);
//job.setCombinerClass(DemoReduce.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
return job.waitForCompletion(true)?0:1;
}
}
可以看出,reduce的输入每个key所对应的value将是一大串1,但处理的文本很多时,这一串1已将占用很大的带宽,如果我们在map的输出给于reduce之前做一下合并或计算,那么传给reduce的数据就会少很多,减轻了网络压力。此时Combiner就排上用场了。我们现在本地把Map的输出做一个合并计算,把具有相同key的1做一个计算,然后再把此输出作为reduce的输入,这样传给reduce的数据就少了很多。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。让我们看一下,加入Combiner之前的处理结果
我们看到Reduce input records的值为2923922(在map中删掉了一条数据),而Map input records值为2923923,也就是说每个map input record,对应了一个reduce input record。代表着我们要通过网络传输大量的值。最终的统计结果如下(只截取了一段)

我们在看看加上Combiner运行情况

Reduce input records只有565,大量的map输出已经在Combiner中进行了合并,最终的统计结果和上图相同,就不贴图了。