MapReduce规约详解大数据

深入了解Combiners编程(相当于Map端的Reduce)

  • 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。使用combiner,先完成的map会在本地聚合,提升速度。
  • 注意:Combiner的输出是Reducer的输入,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。

在程序中仅需要在主函数中添加如下代码:

//规约的例子,足以 
job.setCombinerClass(MyReducer.class);  

其中:MyReducer为自定的Reducer任务。

以单词技术为例:

(1)在没有Combine情况下

输入2个键值对<0,hello you><10,hello me>

map端产生4个键值对<k2,v2>,<hello,1><you,1><hello,1><me,1>

3个分组,<hello,{1,1}><me,{1}><you,{1}>

传输到reduce有3个键值对<hello,{2}><me,{1}><you,{1}>,3个分组

—————–

   hello you

   hello  me

—————–

(2)有Combine的情况

输入2个键值对<0,hello you><10,hello me>

map端产生4个键值对<k2,v2>,<hello,1><you,1><hello,1><me,1>

Combine输入键值对有4个 <hello,1><you,1><hello,1><me,1>

Combine输出键值对有三个<hello,{1,1}><me,{1}><you,{1}>

3个分组,<hello,{1,1}><me,{1}><you,{1}>

传输到reduce有3个键值对<hello,{2}><me,{1}><you,{1}>,3个分组

测试代码:

MapReduce规约详解大数据

package Mapreduce; 
import java.io.IOException; 
import org.apache.hadoop.conf.Configuration; 
import org.apache.hadoop.fs.Path; 
import org.apache.hadoop.io.LongWritable; 
import org.apache.hadoop.io.Text; 
import org.apache.hadoop.mapreduce.Job; 
import org.apache.hadoop.mapreduce.Mapper; 
import org.apache.hadoop.mapreduce.Reducer; 
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat; 
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat; 
/** 
* 规约:Combiner 
*  
*/ 
public class CombinerTest { 
public static void main(String[] args) throws Exception { 
//必须要传递的是自定的mapper和reducer的类,输入输出的路径必须指定,输出的类型<k3,v3>必须指定 
//2将自定义的MyMapper和MyReducer组装在一起 
Configuration conf=new Configuration(); 
String jobName=CombinerTest.class.getSimpleName(); 
//1首先寫job,知道需要conf和jobname在去創建即可 
Job job = Job.getInstance(conf, jobName); 
//*13最后,如果要打包运行改程序,则需要调用如下行 
job.setJarByClass(CombinerTest.class); 
//3读取HDFS內容:FileInputFormat在mapreduce.lib包下 
FileInputFormat.setInputPaths(job, new Path("hdfs://neusoft-master:9000/data/hellodemo")); 
//4指定解析<k1,v1>的类(谁来解析键值对) 
//*指定解析的类可以省略不写,因为设置解析类默认的就是TextInputFormat.class 
job.setInputFormatClass(TextInputFormat.class); 
//5指定自定义mapper类 
job.setMapperClass(MyMapper.class); 
//6指定map输出的key2的类型和value2的类型  <k2,v2> 
//*下面两步可以省略,当<k3,v3>和<k2,v2>类型一致的时候,<k2,v2>类型可以不指定 
job.setMapOutputKeyClass(Text.class); 
job.setMapOutputValueClass(LongWritable.class); 
//7分区(默认1个),排序,分组,规约 采用 默认 
//规约的例子 
job.setCombinerClass(MyReducer.class); 
//接下来采用reduce步骤 
//8指定自定义的reduce类 
job.setReducerClass(MyReducer.class); 
//9指定输出的<k3,v3>类型 
job.setOutputKeyClass(Text.class); 
job.setOutputValueClass(LongWritable.class); 
//10指定输出<K3,V3>的类 
//*下面这一步可以省 
job.setOutputFormatClass(TextOutputFormat.class); 
//11指定输出路径 
FileOutputFormat.setOutputPath(job, new Path("hdfs://neusoft-master:9000/out1")); 
//12写的mapreduce程序要交给resource manager运行 
job.waitForCompletion(true); 
} 
private static class MyMapper extends Mapper<LongWritable, Text, Text,LongWritable>{ 
Text k2 = new Text(); 
LongWritable v2 = new LongWritable(); 
@Override 
protected void map(LongWritable key, Text value,//三个参数 
Mapper<LongWritable, Text, Text, LongWritable>.Context context)  
throws IOException, InterruptedException { 
String line = value.toString(); 
String[] splited = line.split("/t");//因为split方法属于string字符的方法,首先应该转化为string类型在使用 
for (String word : splited) { 
//word表示每一行中每个单词 
//对K2和V2赋值 
                k2.set(word); 
v2.set(1L); 
context.write(k2, v2); 
} 
} 
} 
private static class MyReducer extends Reducer<Text, LongWritable, Text, LongWritable> { 
LongWritable v3 = new LongWritable(); 
@Override //k2表示单词,v2s表示不同单词出现的次数,需要对v2s进行迭代 
protected void reduce(Text k2, Iterable<LongWritable> v2s,  //三个参数 
Reducer<Text, LongWritable, Text, LongWritable>.Context context) 
throws IOException, InterruptedException { 
long sum =0; 
for (LongWritable v2 : v2s) { 
//LongWritable本身是hadoop类型,sum是java类型 
//首先将LongWritable转化为字符串,利用get方法 
sum+=v2.get(); 
} 
v3.set(sum); 
//将k2,v3写出去 
            context.write(k2, v3); 
} 
} 
}

Combine测试代码

[[email protected] filecontent]# hadoop dfs -rm -R /out1

MapReduce规约详解大数据

[[email protected] filecontent]# hadoop jar CombineTest.jar 

 MapReduce规约详解大数据

Map-Reduce Framework

Map input records=2
Map output records=4
Map output bytes=51
Map output materialized bytes=49
Input split bytes=106
Combine input records=4
Combine output records=3
Reduce input groups=3
Reduce shuffle bytes=49
Reduce input records=3
Reduce output records=3
Spilled Records=6
Shuffled Maps =1
Failed Shuffles=0
Merged Map outputs=1
GC time elapsed (ms)=53
CPU time spent (ms)=1760
Physical memory (bytes) snapshot=455901184
Virtual memory (bytes) snapshot=3118538752

使用Combiner有什么好处?

在map端执行reduce操作,可以减少map最终的数据量,减少传输到reduce的数据量,减少网络带宽。

为什么Combiner不是默认配置?

因为有的算法不适合Combiner

什么算法不适合Combiner?

不符合幂等性的算法,比如在网络传输时候出现故障,多次执行程序结果是不同的

 如:求平均值的算法。

2 2 2  这三个数在一个文件中

 1 1 1 1   这四个数在一个文件中

两个文件产生2个inputsplit,每一个inputsplit对应一个mao任务,产生2个mapper任务,如果求平均数,真实值(2+2+2+1+1+1+1)/7=1.4

如果使用Combiner,map端要做一次Reduce,第一个文件平均数为2,第二个文件的平均数为1,之后再reduce再求平均值得到1.5,值不正确。

为什么在map端执行了reduce操作,还需要在reduce端再次执行哪?
      答:因为map端执行的是局部reduce操作,在reduce端执行全局reduce操作。(上述例子中,map端仅仅指定的是单个文件的合并,reduce端执行的是两个文件的合并)

 

 

原创文章,作者:ItWorker,如若转载,请注明出处:https://blog.ytso.com/9089.html

(0)
上一篇 2021年7月19日
下一篇 2021年7月19日

相关推荐

发表回复

登录后才能评论