合并 Combiner

Mahe666

Combiner是MR程序中Mapper和Reducer之外的一种组件。
Combiner组件的父类就是Reducer。
Combiner和Reducer的区别在于运行的位置
- Combiner是在每一个MapTask所在的节点运行
- Reducer是接收全局所有Mapper的输出结果
Combiner的意义就是对每一个MapTask的输出进行局部汇总，以减小网络传输量
Combiner能够应用的前提是不能影响最终的业务逻辑。而且，Combiner的输出kv应该跟Reducer的输入kv类型要对应起来。

Combiner可以理解为是 Reducer之前的预处理。之前的求和都是在Reducer做的，如果能把求和先在Mapper做一下，就会提高Reducer的效率

案例

这里还是用wordcount案例来做

输入文件：wordcount.txt

将合并的部分放到Combiner中来做，Reducer直接输出

警告

注意，不能没有Reducer，没有的话就没有一整个Shuffle的过程了

Combiner类

package com.mahe666.combiner;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

/**
 * 这里泛型的四个参数
 * 前两个是Mapper的输出类型
 * 后两个是Reducer的输入类型
 */
public class WordCountCombiner extends Reducer<Text, IntWritable, Text, IntWritable> {

    private IntWritable outValue = new IntWritable();

    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {
        int sum = 0;
        for (IntWritable val : values) {
            // 累加
            sum += val.get();
        }

        outValue.set(sum);

        // 写出
        context.write(key, outValue);
    }

}

Reducer类

package com.mahe666.combiner;

// 同样，下面这个包才是2.x和3.x版本的Hadoop的包
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

/**
 * 泛型有四个参数
 * 前两个是Combiner输出的类型
 * 后两个是Reducer输出的类型
 */
public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {

    private IntWritable outValue = new IntWritable();

    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {
        for (IntWritable val : values) {
            // 数据量小，只有这一个，循环只执行一次，所以直接写出就好
            outValue.set(val.get());
        }
        // 写出
        context.write(key, outValue);
    }

}

Driver类

package com.mahe666.combiner;

// 导包不要导错，这个才是
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.IOException;

public class WordCountDriver {

    public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {
        // 1.获取job
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);

        // 2.设置jar包路径
        job.setJarByClass(WordCountDriver.class);

        // 3.关联mapper和reducer
        job.setMapperClass(WordCountMapper.class);
        job.setReducerClass(WordCountReducer.class);

        // 4.设置map输出的KV类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);

        // 5.设置最终输出的KV类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        // 设置Combiner
        job.setCombinerClass(WordCountCombiner.class);

        // 6.设置输入路径和输出路径
        FileInputFormat.setInputPaths(job, new Path("C:\\Users\\MaHe666\\Desktop\\wordcount.txt"));
        // 这里的路径是个文件夹
        FileOutputFormat.setOutputPath(job, new Path("D:\\output"));

        // 7.提交job
        // 源码当中用的就是 waitForCompletion()，该方法中已经有submit()了
        boolean result = job.waitForCompletion(true);
        System.exit(result ? 0 : 1);
    }

}

总结

其实Combiner的逻辑和Reducer的逻辑差不多

实际情况中如果需要使用Combiner可以根据业务逻辑来判断是否需要单独写一个Combiner，不需要的话可以直接拿Reducer类去指定Combiner