Hadoop（三）自定义combiner和partitioner

Hadoop提供了缺省的Partition来完成map的输出向reduce分发处理。有时也需要自定义partition来将相同key值的数据分发到同一个reduce处理，为了减少map过程输出的中间结果键值对的数量，降低网络数据通信开销，用户也可以自定制combiner过程。

自定制Partition过程：

在mapreduce中，partition用于决定Map节点输出将被分到哪个Reduce节点，MapReduce提供的缺省Partition是HashPartition,他根据每条数据的主键值进行hash操作，获得一个hash码，然后对当前的分区数量进行取模计算，以此决定分发到哪个reduce节点。用户自定制的Partition，重载了getPartition()方法，对于上篇的倒排索引复合键，将<itr.nextToken()+":"+split.getPath().toString().substring(splitIndex),"1">拆开.代码：

[cpp]  view plain copy

1. public class NewPartition extends HashPartitioner<Text,Text>{  
2.             String keyinfo;  
3.             public int getPartition(Text key,Text value,int numReducerTasks){  
4.                 keyinfo = key.toString().split(":")[0];  
5.                 return super.getPartition(new Text(keyinfo), value, numReducerTasks);  
6.             }  
7.         }  

自定制的partition使用：

job.setPartitionClass(NewPartition.class);
而用户自定制的combiner，借鉴上篇的倒排索引的部分代码：

[java]  view plain copy

1. public static class combiner extends Reducer<Text,Text,Text,Text>{  
2.         private Text info = new Text(); //为了拆分 key值 准备存储新的value值  
3.         public void reduce(Text key,Iterable<Text>values,Context context) throws IOException, InterruptedException{  
4.             int sum = 0;  
5.             for(Text val:values){  
6.                 sum += Integer.parseInt(val.toString());  
7.             }  
8.             int splitIndex = key.toString().indexOf(":");  
9.             info.set(key.toString().substring(splitIndex+1)+":"+sum);   //新的value值  
10.             key.set(key.toString().substring(0, splitIndex));  
11.             context.write(key, info);  
12.         }  
13.     }  

自定制的combiner用：

job.setCombinerClass(combiner.class);