Hadoop Combine 的作用

本机数据的规约，以减少 map 向 reduce 传递的数据，节约 IO 时间，节省 reduce 的时间，最终提高 MR 性能。

 

一、Combiner的出现背景

1.1 回顾Map阶段五大步骤

　　在第四篇博文《初识MapReduce》中，我们认识了MapReduce的八大步凑，其中在Map阶段总共五个步骤，如下图所示：

　　其中，step1.5是一个可选步骤，它就是我们今天需要了解的 Map规约 阶段。现在，我们再来看看前一篇博文《计数器与自定义计数器》中的第一张关于计数器的图：

　　我们可以发现，其中有两个计数器：Combine output records和Combine input records，他们的计数都是0，这是因为我们在代码中没有进行Map阶段的规约操作。

1.2 为什么需要进行Map规约操作

　　众所周知，Hadoop框架使用Mapper将数据处理成一个个的键值对，在网络节点间对其进行整理(shuffle)，然后使用Reducer处理数据并进行最终输出。

　　在上述过程中，我们看到至少两个性能瓶颈：

　　（1）如果我们有10亿个数据，Mapper会生成10亿个键值对在网络间进行传输，但如果我们只是对数据求最大值，那么很明显的Mapper只需要输出它所知道的最大值即可。这样做不仅可以减轻网络压力，同样也可以大幅度提高程序效率。

　　总结：网络带宽严重被占降低程序效率；

　　（2）假设使用美国专利数据集中的国家一项来阐述数据倾斜这个定义，这样的数据远远不是一致性的或者说平衡分布的，由于大多数专利的国家都属于美国，这样不仅Mapper中的键值对、中间阶段(shuffle)的键值对等，大多数的键值对最终会聚集于一个单一的Reducer之上，压倒这个Reducer，从而大大降低程序的性能。

　　总结：单一节点承载过重降低程序性能；

　　那么，有木有一种方案能够解决这两个问题呢？

二、初步探索Combiner

2.1 Combiner的横空出世

　　在MapReduce编程模型中，在Mapper和Reducer之间有一个非常重要的组件，它解决了上述的性能瓶颈问题，它就是Combiner。

PS：

①与mapper和reducer不同的是，combiner没有默认的实现，需要显式的设置在conf中才有作用。

②并不是所有的job都适用combiner，只有操作满足结合律的才可设置combiner。combine操作类似于：opt(opt(1, 2, 3), opt(4, 5, 6))。如果opt为求和、求最大值的话，可以使用，但是如果是求中值的话，不适用。

　　每一个map都可能会产生大量的本地输出，Combiner的作用就是对map端的输出先做一次合并，以减少在map和reduce节点之间的数据传输量，以提高网络IO性能，是MapReduce的一种优化手段之一，其具体的作用如下所述。

　　（1）Combiner最基本是实现本地key的聚合，对map输出的key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还有本地reduce功能（其本质上就是一个reduce），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) 
　　reduce: (K3, list(V3)) → list(K4, V4)

PS：现在想想，如果在wordcount中不用combiner，那么所有的结果都是reduce完成，效率会相对低下。使用combiner之后，先完成的map会在本地聚合，提升速度。对于hadoop自带的wordcount的例子，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。

2.2 融合Combiner的MapReduce

　　前面文章中的代码都忽略了一个可以优化MapReduce作业所使用带宽的步骤—Combiner，它在Mapper之后Reducer之前运行。Combiner是可选的，如果这个过程适合于你的作业，Combiner实例会在每一个运行map任务的节点上运行。Combiner会接收特定节点上的Mapper实例的输出作为输入，接着Combiner的输出会被发送到Reducer那里，而不是发送Mapper的输出。Combiner是一个“迷你reduce”过程，它只处理单台机器生成的数据。

2.3 使用MyReducer作为Combiner

　　在前面文章中的WordCount代码中加入以下一句简单的代码，即可加入Combiner方法：

    // 设置Map规约Combiner
    job.setCombinerClass(MyReducer.class);

　　还是以下面的文件内容为例，看看这次计数器会发生怎样的改变？

　　（1）上传的测试文件的内容

hello edison
hello kevin

　　（2）调试后的计数器日志信息

　　可以看到，原本都为0的Combine input records和Combine output records发生了改变。我们可以清楚地看到map的输出和combine的输入统计是一致的，而combine的输出与reduce的输入统计是一样的。由此可以看出规约操作成功，而且执行在map的最后，reduce之前。

三、自己定义Combiner

　　为了能够更加清晰的理解Combiner的工作原理，我们自定义一个Combiners类，不再使用MyReduce做为Combiners的类，具体的代码下面一一道来。

3.1 改写Mapper类的map方法

　　public static class MyMapper extends
            Mapper {
        protected void map(LongWritable key, Text value,
                Mapper.Context context)
                throws java.io.IOException, InterruptedException {
            String line = value.toString();
            String[] spilted = line.split(" ");
            for (String word : spilted) {
                context.write(new Text(word), new LongWritable(1L));
                // 为了显示效果而输出Mapper的输出键值对信息
                System.out.println("Mapper输出<" + word + "," + 1 + ">");
            }
        };
    }

3.2 改写Reducer类的reduce方法

     public static class MyReducer extends
            Reducer {
        protected void reduce(Text key,
                java.lang.Iterable values,
                Reducer.Context context)
                throws java.io.IOException, InterruptedException {
            // 显示次数表示redcue函数被调用了多少次，表示k2有多少个分组
            System.out.println("Reducer输入分组<" + key.toString() + ",N(N>=1)>");

            long count = 0L;
            for (LongWritable value : values) {
                count += value.get();
                // 显示次数表示输入的k2,v2的键值对数量
                System.out.println("Reducer输入键值对<" + key.toString() + ","
                        + value.get() + ">");
            }
            context.write(key, new LongWritable(count));
        };
    }

3.3 添加MyCombiner类并重写reduce方法

    public static class MyCombiner extends
            Reducer {
        protected void reduce(
                Text key,
                java.lang.Iterable values,
                org.apache.hadoop.mapreduce.Reducer.Context context)
                throws java.io.IOException, InterruptedException {
            // 显示次数表示规约函数被调用了多少次，表示k2有多少个分组
            System.out.println("Combiner输入分组<" + key.toString() + ",N(N>=1)>");
            long count = 0L;
            for (LongWritable value : values) {
                count += value.get();
                // 显示次数表示输入的k2,v2的键值对数量
                System.out.println("Combiner输入键值对<" + key.toString() + ","
                        + value.get() + ">");
            }
            context.write(key, new LongWritable(count));
            // 显示次数表示输出的k2,v2的键值对数量
            System.out.println("Combiner输出键值对<" + key.toString() + "," + count
                    + ">");
        };
    }

3.4 添加设置Combiner的代码

    // 设置Map规约Combiner
    job.setCombinerClass(MyCombiner.class);

3.5 调试运行的控制台输出信息

　　（1）Mapper

Mapper输出
Mapper输出
Mapper输出
Mapper输出

　　（2）Combiner

Combiner输入分组=1)>
Combiner输入键值对
Combiner输出键值对
Combiner输入分组=1)>
Combiner输入键值对
Combiner输入键值对
Combiner输出键值对
Combiner输入分组=1)>
Combiner输入键值对
Combiner输出键值对

　　这里可以看出，在Combiner中进行了一次本地的Reduce操作，从而简化了远程Reduce节点的归并压力。

　　（3）Reducer

Reducer输入分组=1)>
Reducer输入键值对
Reducer输入分组=1)>
Reducer输入键值对
Reducer输入分组=1)>
Reducer输入键值对

　　这里可以看出，在对hello的归并上，只进行了一次操作就完成了。

　　那么，如果我们再来看看不添加Combiner时的控制台输出信息：

　　（1）Mapper

Mapper输出
Mapper输出
Mapper输出
Mapper输出

　　（2）Reducer

Reducer输入分组=1)>
Reducer输入键值对
Reducer输入分组=1)>
Reducer输入键值对
Reducer输入键值对
Reducer输入分组=1)>
Reducer输入键值对

　　可以看出，没有采用Combiner时hello都是由Reducer节点来进行统一的归并，也就是这里为何会有两次hello的输入键值对了。

总结：从控制台的输出信息我们可以发现，其实combine只是把两个相同的hello进行规约，由此输入给reduce的就变成了。在实际的Hadoop集群操作中，我们是由多台主机一起进行MapReduce的，如果加入规约操作，每一台主机会在reduce之前进行一次对本机数据的规约，然后在通过集群进行reduce操作，这样就会大大节省reduce的时间，从而加快MapReduce的处理速度。