Hadoop 使用Combiner提高Map/Reduce程序效率

众所周知，Hadoop框架使用Mapper将数据处理成一个<key,value>键值对，再网络节点间对其进行整理(shuffle)，然后使用Reducer处理数据并进行最终输出。

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，但如果我们只是对数据求最大值，那么很明显的Mapper只需要输出它所知道的最大值即可。这样做不仅可以减轻网络压力，同样也可以大幅度提高程序效率。
2. 使用专利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，由于大多数专利的国家都属于美国，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，从而大大降低程序的性能。

Hadoop通过使用一个介于Mapper和Reducer之间的Combiner步骤来解决上述瓶颈。你可以将Combiner视为Reducer的一个帮手，它主要是为了削减Mapper的输出从而减少网络带宽和Reducer之上的负载。如果我们定义一个Combiner，MapReducer框架会对中间数据多次地使用它进行处理。

如果Reducer只运行简单的分布式方法，例如最大值、最小值、或者计数，那么我们可以让Reducer自己作为Combiner。但许多有用的方法不是分布式的。以下我们使用求平均值作为例子进行讲解：

Mapper输出它所处理的键值对，为了使单个DataNode计算平均值Reducer会对它收到的<key,value>键值对进行排序，求和。

由于Reducer将它所收到的<key,value>键值的数目视为输入数据中的<key,value>键值对的数目，此时使用Combiner的主要障碍就是计数操作。我们可以重写MapReduce程序来明确的跟踪计数过程。

代码如下：

[java] view plain copy

1. packagecom;
3. importjava.io.IOException;
5. importorg.apache.hadoop.conf.Configuration;
6. importorg.apache.hadoop.conf.Configured;
7. importorg.apache.hadoop.fs.Path;
8. importorg.apache.hadoop.io.DoubleWritable;
9. importorg.apache.hadoop.io.LongWritable;
10. importorg.apache.hadoop.io.Text;
11. importorg.apache.hadoop.mapreduce.Job;
12. importorg.apache.hadoop.mapreduce.Mapper;
13. importorg.apache.hadoop.mapreduce.Reducer;
14. importorg.apache.hadoop.mapreduce.lib.input.FileInputFormat;
15. importorg.apache.hadoop.mapreduce.lib.input.TextInputFormat;
16. importorg.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
17. importorg.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
18. importorg.apache.hadoop.util.Tool;
19. importorg.apache.hadoop.util.ToolRunner;
21. publicclassAveragingWithCombinerextendsConfiguredimplementsTool{
23. publicstaticclassMapClassextendsMapper<LongWritable,Text,Text,Text>{
25. staticenumClaimsCounters{MISSING,QUOTED};
26. //MapMethod
27. publicvoidmap(LongWritablekey,Textvalue,Contextcontext)throwsIOException,InterruptedException{
28. Stringfields[]=value.toString().split(",",-20);
29. Stringcountry=fields[4];
30. StringnumClaims=fields[8];
32. if(numClaims.length()>0&&!numClaims.startsWith("\"")){
33. context.write(newText(country),newText(numClaims+",1"));
34. }
35. }
36. }
38. publicstaticclassReduceextendsReducer<Text,Text,Text,DoubleWritable>{
40. //ReduceMethod
41. publicvoidreduce(Textkey,Iterable<Text>values,Contextcontext)throwsIOException,InterruptedException{
42. doublesum=0;
43. intcount=0;
44. for(Textvalue:values){
45. Stringfields[]=value.toString().split(",");
46. sum+=Double.parseDouble(fields[0]);
47. count+=Integer.parseInt(fields[1]);
48. }
49. context.write(key,newDoubleWritable(sum/count));
50. }
51. }
53. publicstaticclassCombineextendsReducer<Text,Text,Text,Text>{
55. //ReduceMethod
56. publicvoidreduce(Textkey,Iterable<Text>values,Contextcontext)throwsIOException,InterruptedException{
57. doublesum=0;
58. intcount=0;
59. for(Textvalue:values){
60. Stringfields[]=value.toString().split(",");
61. sum+=Double.parseDouble(fields[0]);
62. count+=Integer.parseInt(fields[1]);
63. }
64. context.write(key,newText(sum+","+count));
65. }
66. }
68. //runMethod
69. publicintrun(String[]args)throwsException{
70. //CreateandRuntheJob
71. Jobjob=newJob();
72. job.setJarByClass(AveragingWithCombiner.class);
74. FileInputFormat.addInputPath(job,newPath(args[0]));
75. FileOutputFormat.setOutputPath(job,newPath(args[1]));
77. job.setJobName("AveragingWithCombiner");
78. job.setMapperClass(MapClass.class);
79. job.setCombinerClass(Combine.class);
80. job.setReducerClass(Reduce.class);
81. job.setInputFormatClass(TextInputFormat.class);
82. job.setOutputFormatClass(TextOutputFormat.class);
84. job.setOutputKeyClass(Text.class);
85. job.setOutputValueClass(Text.class);
87. System.exit(job.waitForCompletion(true)?0:1);
88. return0;
89. }
91. publicstaticvoidmain(String[]args)throwsException{
92. intres=ToolRunner.run(newConfiguration(),newAveragingWithCombiner(),args);
93. System.exit(res);
94. }
96. }