Hadoop的combiner学习与自定义combiner

最新推荐文章于 2024-05-06 11:11:06 发布

huwao

最新推荐文章于 2024-05-06 11:11:06 发布

阅读量563

点赞数 5

分类专栏：大数据 Hadoop生态圈（大数据）文章标签： Hadoop的combiner combiner Hadoop调优统计优化自定义combiner

本文链接：https://blog.csdn.net/hu_belif/article/details/83007166

版权

大数据同时被 2 个专栏收录

26 篇文章 2 订阅

订阅专栏

Hadoop生态圈（大数据）

15 篇文章 0 订阅

订阅专栏

Combiner的概念

Combiner号称本地的Reduce，Reduce的输入是Combiner的最终输出。

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。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。

combiner的价值定位：

众所周知，Hadoop框架使用Mapper将数据块处理成一个个的<key,value>键值对，在网络节点间对其进行洗牌整理(shuffle)，然后使用Reducer处理计算结果数据并进行最终结果输出。

　　在上述过程中，我们看到至少两个性能瓶颈：

　　（1）如果我们有10亿个数据，Mapper会生成10亿个键值对在网络间进行传输，但如果我们只是计算数据求最大值，那么很明显的Mapper只需要输出它所知道的最大值即可。准确的说是知道每个数据块中的最大值即可（不拉取其他数据到Reducer），减小计算的基数，不仅可以减轻网络压力，同时大幅度提高程序效率。

　　总结：网络带宽严重被占降低程序效率；

　　（2）假设使用美国专利数据集中的国家一项来阐述数据倾斜这个定义，这样的数据远远不是一致性的或者说平衡分布的，这样不仅Mapper中的键值对、中间阶段(shuffle)的键值对等，大多数的键值对最终会聚集于一个单一的Reducer之上，压倒这个Reducer，从而大大降低程序计算的性能。

　　总结：单一节点承载过重降低程序性能；

Combiner的价值就由这两个问题体现的淋漓尽致。

Combiner详解：

　在MapReduce编程模型中，在Mapper和Reducer之间有一个非常重要的组件，它解决了上述的性能瓶颈问题，它就是Combiner。

注意：

①与mapper和reducer不同的是，combiner没有默认的实现，需要显式的设置在conf中才有作用。

②并不是所有的job都适用combiner，只有操作满足结合律的才可设置combiner。combine操作类似于：opt(opt(1, 2, 3), opt(4, 5, 6))。如果opt为求和、求最大值的话，可以使用，但是如果是求中值的话，不适用。

　　每一个map都可能会产生大量的本地输出，Combiner的作用就是对map端的输出先做一次合并，以减少在map和reduce节点之间的数据传输量，以提高网络IO性能，是MapReduce的一种优化手段之一，其具体的作用如下所述。

　　（1）Combiner最基本是实现本地key的聚合，对map输出的key排序，value进行迭代。如下所示：

　　map: (K1, V1) → list(K2, V2)
　　combiner: (K2, list(V2)) → list(K2, V2)
　　reduce: (K2, list(V2)) → list(K3, V3)

　　（2）Combiner还有本地reduce功能（其本质上就是一个reduce），例如Hadoop自带的wordcount的例子和找出value的最大值的程序，combiner和reduce完全一致，如下所示：

　　map: (K1, V1) → list(K2, V2)
　　combine: (K2, list(V2)) → list(K3, V3)
　　reduce: (K3, list(V3)) → list(K4, V4)

PS：回想一下，如果在wordcount中没有Combiner来做先锋，数据量上千万的话Reduce的效率一定会低到难以想象。使用combiner之后，先完成的map会在本地聚合，为Reduce的计算做好第一次的数据聚合，提升计算效率。这样，对于hadoop自带的wordcount的例子，value就是一个叠加的数字，所以map一结束就可以进行reduce的value叠加，而不必要等到所有的map结束再去进行reduce的value叠加。

加入Combiner的MapReduce

　　前面文章中的代码都忽略了一个可以优化MapReduce作业所使用带宽的步骤—Combiner，它在Mapper之后Reducer之前运行。Combiner是可选的，如果这个过程适合于你的作业，Combiner实例会在每一个运行map任务的节点上运行。Combiner会接收特定节点上的Mapper实例的输出作为输入，接着Combiner的输出会被发送到Reducer那里，而不是发送Mapper的输出。Combiner是一个“迷你reduce”过程，它只处理单台机器生成的数据。

举个小栗子

我们抓取去年每个季度最高温度的数据：

第一个mapper数据（2017，[34,25]）

第二个mapper数据（2017，[33,32]）

如果不考虑使用Combiner的计算过程的话Reducer如下：

（2017，[34,25,33,32]）//通过排序后得到最大值

如果考虑Combiner的计算过程Reducer拿到的就是精简压缩并处理之后的数据集了：

（2017，[34]）

（2017，[33]）

这两种方法的结果是一定相同的，使用Combiner最大的好处是节省网络传输的数据，这对于提高整体的计算效率是非常有帮助的。当然好的方法当然是要有对口的问题做依靠，若是在不对的地方使用combiner，很有可能会适得其反，eg：求一组数据的平均值。（反例就不列举了，若有需要可以私信或留言）

使用MyReducer作为Combiner

　　在前面文章中的WordCount代码中加入以下一句简单的代码，即可加入Combiner方法：

  // 设置Map规约Combiner
    job.setCombinerClass(MyReducer.class);

自定义的 Combiner

为了能够更加清晰的理解Combiner的工作原理，我们自定义一个Combiners类，不再使用MyReduce做为Combiners的类，具体的代码下面一一道来。

改写Mapper类的map方法

　public static class MyMapper extends
            Mapper<LongWritable, Text, Text, LongWritable> {
        protected void map(LongWritable key, Text value,
                Mapper<LongWritable, Text, Text, LongWritable>.Context context)
                throws java.io.IOException, InterruptedException {
            String line = value.toString();
            String[] spilted = line.split("\\s");
            for (String word : spilted) {
                context.write(new Text(word), new LongWritable(1L));
                // 为了显示效果而输出Mapper的输出键值对信息
                System.out.println("Mapper输出<" + word + "," + 1 + ">");
            }
        };
    }

改写Reducer类的reduce方法添加MyCombiner类并重写reduce方法

public static class MyCombiner extends
            Reducer<Text, LongWritable, Text, LongWritable> {
        protected void reduce(
                Text key,
                java.lang.Iterable<LongWritable> values,
                org.apache.hadoop.mapreduce.Reducer<Text, LongWritable, Text, LongWritable>.Context context)
                throws java.io.IOException, InterruptedException {
            // 显示次数表示Combiner执行了多少次，表示k2有多少个分组
            System.out.println("Combiner输入分组<" + key.toString() + ",N(N>=1)>");
            long count = 0L;
            for (LongWritable value : values) {
                count += value.get();
                // 显示次数表示输入的k2,v2的键值对数量
                System.out.println("Combiner输入键值对<" + key.toString() + ","
                        + value.get() + ">");
            }
            context.write(key, new LongWritable(count));
            // 显示次数表示输出的k2,v2的键值对数量
            System.out.println("Combiner输出键值对<" + key.toString() + "," + count
                    + ">");
        };
    }

添加MyCombiner类并重写reduce方法

public static class MyCombiner extends
            Reducer<Text, LongWritable, Text, LongWritable> {
        protected void reduce(
                Text key,
                java.lang.Iterable<LongWritable> values,
                org.apache.hadoop.mapreduce.Reducer<Text, LongWritable, Text, LongWritable>.Context context)
                throws java.io.IOException, InterruptedException {
            // 显示次数表示规约函数被调用了多少次，表示k2有多少个分组
            System.out.println("Combiner输入分组<" + key.toString() + ",N(N>=1)>");
            long count = 0L;
            for (LongWritable value : values) {
                count += value.get();
                // 显示次数表示输入的k2,v2的键值对数量
                System.out.println("Combiner输入键值对<" + key.toString() + ","
                        + value.get() + ">");
            }
            context.write(key, new LongWritable(count));
            // 显示次数表示输出的k2,v2的键值对数量
            System.out.println("Combiner输出键值对<" + key.toString() + "," + count
                    + ">");
        };
    }

添加设置Combiner的代码

    // 设置Map规约Combiner类（函数）
    job.setCombinerClass(MyCombiner.class);

调试运行的控制台打印信息

　　（1）Mapper时期

Mapper输出<hello,1>
Mapper输出<edison,1>
Mapper输出<hello,1>
Mapper输出<kevin,1>

　　（2）Combiner时期

Combiner输入分组<edison,N(N>=1)>
Combiner输入键值对<edison,1>
Combiner输出键值对<edison,1>
Combiner输入分组<hello,N(N>=1)>
Combiner输入键值对<hello,1>
Combiner输入键值对<hello,1>
Combiner输出键值对<hello,2>
Combiner输入分组<kevin,N(N>=1)>
Combiner输入键值对<kevin,1>
Combiner输出键值对<kevin,1>

　　这里可以看出，在Combiner中进行了一次本地的Reduce操作，从而简化了远程Reduce节点的归并压力。

　　（3）Reducer时期

Reducer输入分组<edison,N(N>=1)>
Reducer输入键值对<edison,1>
Reducer输入分组<hello,N(N>=1)>
Reducer输入键值对<hello,2>
Reducer输入分组<kevin,N(N>=1)>
Reducer输入键值对<kevin,1>

　　这里可以看出，在对hello的归并计算一次，只进行一次操作就完成了。

　　那么，如果我们再来看看不添加Combiner时的控制台输出信息：

　　（1）Mapper

Mapper输出<hello,1>
Mapper输出<edison,1>
Mapper输出<hello,1>
Mapper输出<kevin,1>

　　（2）Reducer

Reducer输入分组<edison,N(N>=1)>
Reducer输入键值对<edison,1>
Reducer输入分组<hello,N(N>=1)>
Reducer输入键值对<hello,1>
Reducer输入键值对<hello,1>
Reducer输入分组<kevin,N(N>=1)>
Reducer输入键值对<kevin,1>

　　可以看出，没有采用Combiner时hello都是由Reducer节点来进行统一的归并，也就是这里为何会有两次hello的输入键值对了。

总结：从控制台的输出信息我们可以发现，其实combine只是把两个相同的hello进行规约，由此输入给reduce的就变成了<hello,2>。在实际的Hadoop集群操作中，我们是由多台主机一起进行MapReduce的，如果加入规约操作，每一台主机会在reduce之前进行一次对本机数据的规约，然后在通过集群进行reduce操作，这样就会大大节省reduce的时间，从而加快MapReduce的处理速度。

参考: https://blog.csdn.net/deguotiantang/article/details/58586972