实例说明MapReduce原理

Map-Reduce框架的运作完全基于<key,value>对，即数据的输入是一批<key,value>对，生成的结果也是一批<key,value>对，只是有时候它们的类型不一样而已。Key和value的类由于需要支持被序列化（serialize）操作，所以它们必须要实现Writable接口，而且key的类还必须实现WritableComparable接口，使得可以让框架对数据集的执行排序操作。   

一个Map-Reduce任务的执行过程以及数据输入输出的类型如下所示：   

(input)<k1,v1> -> map -> <k2,v2> -> combine -> <k2,v2> -> reduce -> <k3,v3>(output)      

下面通过一个的例子并结合源代码来详细说明这个过程   
3.1       WordCount示例   

这也是Hadoop自带的一个例子，目标是统计文本文件中单词的个数。   

假设有如下的两个文本文件来运行WorkCount程序：   

Hello World Bye World   


Hello Hadoop GoodBye Hadoop   


3.2  map数据输入   

Hadoop针对文本文件缺省使用LineRecordReader类来实现读取，一行一个key/value对，key取偏移量，value为行内容。   

如下是map1的输入数据：   
Key1 Value1   
0 Hello World Bye World   

如下是map2的输入数据：   
Key1 Value1   
0 Hello Hadoop GoodBye Hadoop   

3.3  map输出/combine输入   

如下是map1的输出结果   
Key2 Value2   
Hello 1   
World 1   
Bye 1   
World 1   

如下是map2的输出结果   
Key2 Value2   
Hello 1   
Hadoop 1   
GoodBye 1   
Hadoop 1   
3.4    combine输出   

Combiner类实现将相同key的值合并起来，它也是一个Reducer的实现。   

如下是combine1的输出   
Key2 Value2   
Hello 1   
World 2   
Bye 1   

如下是combine2的输出   
Key2 Value2   
Hello 1   
Hadoop 2   
GoodBye 1   
3.5    reduce输出   

Reducer类实现将相同key的值合并起来。   

如下是reduce的输出   
Key2 Value2   
Hello 2   
World 2   
Bye 1   
Hadoop 2   
GoodBye 1   

即实现了WordCount的处理。

————————————————————————————————

combiner 的作用：

一、作用

1、combiner最基本是实现本地key的聚合，对map输出的key进行排序，value进行迭代。如下所示：  
map: (K1, V1) → list(K2, V2)   
combine: (K2, list(V2)) → list(K2, V2)   
reduce: (K2, list(V2)) → list(K3, V3)  

2、combiner还具有类似本地的reduce功能.  
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) ，   减轻reduce的负担！   reduce: (K3, list(V3)) → list(K4, V4)   

3、如果不用combiner，那么，所有的结果都是reduce完成，效率会相对低下。使用combiner，先完成的map会在本地聚合，提升速度。  

举一个hadoop自带的wordcount例子说明。  
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。  

二、总结  

1、combiner使用的合适，可以在满足业务的情况下提升job的速度，如果不合适，则将导致输出的结果不正确，上面7楼说的很对，不是所有的场合都适合combiner。根据自己的业务来使用。

2、combiner视业务情况来用，减少MAP->REDUCE的数据传输，提高shuffle速度。就是在map中再做一次reduce操作。

REF：

http://p-x1984.iteye.com/blog/859843