Hadoop数据分析平台实战——070深入理解MapReduce 02（案例）

离线数据分析平台实战——070深入理解MapReduce 02

Shuffle阶段说明

shuffle阶段主要包括map阶段的combine、group、sort、partition以及reducer阶段的合并排序。
Map阶段通过shuffle后会将输出数据按照reduce的分区分文件的保存，
文件内容是按照定义的sort进行排序好的。
Map阶段完成后会通知ApplicationMaster，然后AM会通知Reduce进行数据的拉取，在拉取过程中进行reduce端的shuffle过程。

用户自定义Combiner

Combiner可以减少Map阶段的中间输出结果数，降低网络开销。
默认情况下是没有Combiner的。
用户自定义的Combiner要求是Reducer的子类，以Map的输出作为Combiner的输入和输出，也就是说Combiner的输入和输出必须是一样的。

可以通过job.setCombinerClass设置combiner的处理类，MapReduce框架不保证一定会调用该类的方法。

用户自定义Partitoner

Partitioner是用于确定map输出的对应的处理reducer是那个节点。

默认MapReduce任务reduce个数为1个，此时Partitioner其实没有什么效果，但是当我们将reduce个数修改为多个的时候，partitioner就会决定key所对应reduce的节点序号(从0开始)。
可以通过job.setPartitionerClass方法指定Partitioner类，默认情况下使用HashPartitioner（默认调用key的hashCode方法）。

用户自定义Group

GroupingComparator是用于将Map输出的进行分组组合成>的关键类，直白来讲就是用于确定key1和key2是否属于同一组，如果是同一组，就将map的输出value进行组合。
要求我们自定义的类实现自接口RawComparator，可以通过job.setGroupingComparatorClass方法指定比较类。
默认情况下使用WritableComparator，但是最终调用key的compareTo方法进行比较。

用户自定义Sort

SortComparator是用于将Map输出的进行key排序的关键类，直白来讲就是用于确定key1所属组和key2所属组那个在前，那个在后。

要求我们自定义的类实现自接口RawComparator，可以通过job.setSortComparatorClass方法指定比较类。默认情况下使用WritableComparator，但是最终调用key的compareTo方法进行比较。

用户自定义Reducer的Shuffle

在reduce端拉取map的输出数据的时候，会进行shuffle(合并排序)，MapReduce框架以插件模式提供了一个自定义的方式，我们可以通过实现接口ShuffleConsumerPlugin，并指定参数mapreduce.job.reduce.shuffle.consumer.plugin.class来指定自定义的shuffle规则，但是一般情况下，直接采用默认的类org.apache.hadoop.mapreduce.task.reduce.Shuffle。

案例--二次排序

hadoop默认只对key进行排序，有时候我们需要将value部分也进行排序，这种情况下有两种方式实现，第一种，我们将排序放到reducer端进行，但是这种方式当数据量比较大的时候，会比较消耗内存。
那么另外一种方式就是二次排序。
二次排序的内部实行其实是先按照key+value组合的方式进行排序，然后根据单独key进行分组的一种实行方式。
要求reducer个数为2，而且奇数到第一个reducer进行处理，偶数到第二个reducer进行处理。