MapReduce优化详解大数据

  Combiner和Partitioner是用来优化MapReduce的，可以提高MapReduce的运行效率。下面我们来具体学习这两个组件

Combiner

  我们以WordCount为例，首先通过下面的示意图直观的了解一下Combiner的位置和作用

  从上图可以看出，Combiner介于 Mapper和Reducer之间，combine作为 Map任务的一部分，执行完 map 函数后紧接着执行combine，而reduce 必须在所有的 Map 任务完成后才能进行。 而且还可以看出combine的过程与reduce的过程类似，都是对相同的单词key合并其词频，很多情况下可以直接使用reduce函数来完成Combiner过程。

  通过上面的分析，下面我们将深入理解 Combiner组件。

  1、Combiner可以看做局部的Reducer（local reducer）。

    1)Combiner作用是合并相同的key对应的value。

    2)在Mapper阶段，不管Combiner被调用多少次，都不应改变 Reduce的输出结果。

    3)Combiner通常与Reducer的逻辑是一样的，一般情况下不需要单独编写Combiner，直接使用Reducer的实现就可以了。

    4)Combiner在Job中是如下设置的

      job.setCombinerClass(Reducer.class);

      // Combiner一般情况下，默认使用Reducer的实现

  2、Combiner的好处

    1)能够减少Map Task输出的数据量（即磁盘IO）。我们前面提到Map Task 将输出的数据写到本地磁盘，它输出的数据量越多，它写入磁盘的数据量就越大，那么开销就越大，速度就越慢。

    2)能够减少Reduce-Map网络传输的数据量（网络IO）。这个很好理解，Map Task 输出越少，Reduce从Map结果中拉取的数据量就越少，自然就减少了网络传输的数据量。

  3、Combiner 的使用场景

    1)并不是所有的场景都可以使用Combiner，必须满足结果可以累加。

    2)适合于Sum()求和，并不适合Average()求平均数。例如，求0、20、10、25和15的平均数，直接使用Reduce求平均数Average(0,20,10,25,15)，得到的结果是14， 如果先使用Combiner分别  对不同Mapper结果求平均数，Average(0,20,10)=10，Average(25,15)=20，再使用Reducer求平均数Average(10,20)，得到的结果为15，很明显求平均数并不适合使用Combiner。

Partitioner

  我们通过如下示意图，很直观的看到 Partitioner 的位置和作用。

  从上图我们可以看出，Partitioner 处于 Mapper阶段，当Mapper处理好数据后，这些数据需要经过Partitioner进行分区，来选择不同的Reducer处理，从而将Mapper的输出结果均匀的分布在Reducer上面执行。

  通过上面的分析，下面我们将深入理解 Partitioner组件。

  1、Partitioner决定了Map Task 输出的每条数据交给哪个Reduce Task 来处理。Partitioner 有两个功能：

    1)均衡负载。它尽量将工作均匀地分配给不同的 Reduce。

    2)效率。它的分配速度一定要非常快。

  2、Partitioner 的默认实现：hash(key) mod R，这里的R代表Reduce Task 的数目，意思就是对key进行hash处理然后取模。很多情况下，用户需要自定义 Partitioner，比如“hash(hostname(URL)) mod R”，它确保相同域名下的网页交给同一个 Reduce Task 来处理。 用户自定义Partitioner，需要继承Partitioner类，实现它提供的一个方法

    getPartition(Text key, Text value, int numPartitions);

    前两个参数分别为Map的key和value。numPartitions 为 Reduce 的个数，用户可以自己设置。