2014-11-18--Hadoop的基础学习（五）--编写不同MapReudce程序及其特性(下)-CSDN博客

2019独角兽企业重金招聘Python工程师标准>>>

5.Combiner编程

Combiner实质上就是不同上下文的Reducer的功能是差不多的.所以说它本质上就是一个Reducer.每一个map可能会产生大量的输出，combiner的作用就是在map端对输出先做一次合并，以减少传输到reducer的数据量。combiner最基本是实现本地key的归并，combiner具有类似本地的reduce功能。如果不用combiner，那么，所有的结果都是reduce完成，效率会相对低下(会消耗较多的网络IO)。使用combiner，先完成的map会在本地聚合，提升速度.

实现本地key的聚合,对map的输出的key排序,value进行迭代.
本地reduce功能.

案例3:在wordcount的基础上,实现Combiner编程

编写Combiner实现类,直接继承Reduce，编写内容与ruduce差不多.

package cn.itcast.yun10;
import java.io.IOException;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
public class WordcountCombiner extends
		Reducer<Text, LongWritable, Text, LongWritable> {
	@Override
	protected void reduce(Text key, Iterable<LongWritable> values,
			Context context) throws IOException, InterruptedException {
		// accept 
		// the same as reduce
		String word = key.toString();
		long count = 0L;
		for (LongWritable v : values) {
			count += v.get();
		}
		context.write(new Text(word), new LongWritable(count));
	}
}

2.指定Combiner

使用Combiner编程的两点注意:

a.不要以为在写MapReduce程序时设置了Combiner就认为Combiner一定会起作用，实际情况是这样的吗？答案是否定的。hadoop文档中也有说明Combiner可能被执行也可能不被执行。那么在什么情况下不执行呢？如果当前集群在很繁忙的情况下job就是设置了也不会执行Combiner.

b.Combiner的输出是Reducer的输入，所以添加Combiner绝不能改变最终的计算结果。所以Combiner只应该用于那种Reduce的输入key/value与输出key/value类型完全一致，且不影响最终结果的场景。比如累加，最大值等。但是并不适用于求平均值类似的操作.

至于Combiner的执行时机，待分析完Shuffle之后再来说...?????

6.Shuffle过程分析

MapReduce确保每个Reducer的输入都按键排序.系统执行排序的过程在map输出之后，而在reducer输入之前完成。称为Shuffle---洗牌.观察shuffle如何工作的，有助于我们理解工作机制例如（优化MapReduce程序）.shuffle属于不断被优化和改进的代码库的一部分.它会随着版本的不同而随时改变.在Hadoop里有这么一句话，说shuffle是MapReduce的心脏，是奇迹发生的地方.

Map端：map函数之后.

map函数开始产生输出时,并不是简单地将它写到磁盘中。这个过程是很复杂的。它会利用缓冲区的方式写到内存。而且处于效率会考虑进行预先排序.

每个map任务都有一个环形内存缓冲区,用于存储任务的输出。默认的情况下，缓冲区的大小为100MB，可以通过io.sort.mb的属性来指定。一旦缓冲区达到阀值(io.sort.spill.percent,默认情况下是80%)，就有一个后台线程开始把内容写到spill磁盘中。在写磁盘过程中，map输出继续被写到缓冲区，但如果在此期间缓冲区被填满，map输出就会被阻塞直到写磁盘过程完成。而写磁盘将按轮询方式写到 mapred.local.dir 属性指定的作业特定子目录中的目录中.在这个目录下新建一个溢出写文件。

在写磁盘之前,要partition,sort(数据先分区，然后再排序)。如果有combiner，combiner排序后数据。combiner待榷商。

在写磁盘的时候会采用压缩格式。Hadoop中的压缩库由 mapred.map.output.compression.codec指定.以后会做详细的说明.

等最后记录写完，合并全部溢出写文件为一个分区且排序的文件.配置属性 io.sort.factor控制着一次最多能合并多少流,默认大小为10.这就是merge合并了.

实际上，Conbiner函数的执行时机可能会在map的merge操作完成之前，也可能在merge之后执行，这个时机由配置参数min.num.spill.for.combine(该值默认为3)，也就是说在map端产生的spill溢出文件最少有min.num.spill.for.combine的时候，Conbiner函数会在(merge操作合并最终的本机结果文件之前)执行，否则在merge之后执行。通过这种方式，就可以在spill文件很多并且需要做conbiner的时候，减少写入本地磁盘的数据量，同样也减少了对磁盘的读写频率，可以起到优化作业的目的。--------也就是说spill出的而文件个数达到三，就可以执行Combiner函数.然后再meger.

reducer会通过HTTP方式得到上述执行的结果（输出文件的分区）（map中）,用于文件分区的工作线程的数量由任务的tracker.http.threads属性控制.默认值是40.

Reducer端:reduce函数之前

在运行reduce任务之前，需要集群中多个map任务的输出作为分区材料。但是每个map任务的完成时间很有可能是不同的。所以只要有个map任务完成，reduce就会复制COPY它的输出。这就是复制阶段。在reduce端会开启几个复制的线程去COPY。该数字有mapred.reduce.parallel.copies属性决定。默认值为5.

复制到reduce的话，是有可能到内存，也有可能到磁盘上.这是内存缓冲区大小有mapred.job.shuffle.input.buffer.percenet属性控制。占堆空间的百分比。一旦缓冲区达到阀值的大小，则会合并后溢出到磁盘。随着磁盘文件复制文件越来越多。就会合并更大的文件。

然后进入排序阶段。准确来说是合并阶段，因为排序在map端已经完成。合并时循环进行的。这个合并也是比较复杂的。

最后将得到的数据输入reduce函数.最后合并可能来自内存也有可能来自磁盘.最后来几个图吧。

7.自定义的排序编程---倒排索引

案例4：存在两个文件a.txt,b.txt.两者里面的内容如下:

a.txt文件

--------------------------------

hello world

hello tom

how are you

how do you do

-----------------------------------

b.txt文件

hello is fool

i say hi

how do you think

---------------------------------------

c.txt文件

you are all handsome

i am the superman

how do you think

---------------------------------------

在上述文件中建立倒排索引，就像如下格式:

hello --> a.txt,2 b.txt,1

how --->a.txt,2 b.txt,1 c.txt,1

思路如下:通过两次MapReduce执行出想要的结果.

代码省略.....

实验结果:

8.常见的MapReduce算法

单词计数,数据去重,排序,Top K,选择,投影,分组,多表连接,单表关联.都可以通过MapReduce完成。熟悉这些的话，对于后面的Hive学习有很大的用处.

在这里就拿多表连接来做一个案例.

案例5：存在两个表A，B.两表之间存在关系。假设两个表都是以文本文件的形式存储，SQL语句:select a.id,b.name from a,b where a.id = b.id，得到结果输出到文件.

思路如下:

代码省略.

9.Split原理及源码分析

split的作用就是决定mapper的数量,hadoop将mapreduce的输入数据划分成等长的小数据块。称为输入分片(input split).在前面的mapreduce输入类InputFormat中有讲到过.这些小数据块称为分片。一个分片对应着一个map任务.关于分片的大小，经验来说，趋向于一个HDFS的默认块大小.