Hadoop里的Partitioner和Combiner两个阶段

人们对于Mapreduce程序刚开始时都认为只需要一个reduce就够了。毕竟，在你处理数据之前一个reducer已经把数据都分好类了，有谁不喜欢分好类的数据呢。但是这样我们就忽略了并行计算的优势。如果只有一个reducer，我们的云计算就退化成了一个小雨点。

在多个reducer的情况下，我们需要某种机制来控制mapper的结果的分配问题。这是就Partitioner的工作了。

在默认情况下，hadoop通过比较key的hash值来分配，默认使用HashPartitioner。

有时默认的功能不能满足我们的要求，比如我们以前自定义的Edge类（http://blog.csdn.net/on_way_/article/details/8589187）。当我们想要知道每个机场乘客起飞的数量时。我们有如下数据

(北京， 上海)   张三

(北京， 青岛)  李四。。。。。。。

如果我们用HashPartitioner来分配，那么这两行就会被送往不同的reducer上，机场起飞的数量就会被算两次，而且每次都是错误的。

我们需要为我们的应用程序定制一个partitioner。

import org.apache.hadoop.io.Writable;
import org.apache.hadoop.mapred.JobConf;
import org.apache.hadoop.mapred.Partitioner;


public class EdgePartitioner implements Partitioner<Edge, Writable>{

	@Override
	public void configure(JobConf job) {
		// TODO Auto-generated method stub
		
	}

	@Override
	public int getPartition(Edge key, Writable value, int numPartitions) {
		// TODO Auto-generated method stub
		return key.getDepartureNode().hashCode() % numPartitions;
	}

}

在map和reduce两个阶段之间，一个MapReduce程序必须把mapper的输出分配到多个reducer上，这个过程叫做shuffling，因为一个mapper的输出结果有可能被分配到集群中的多个节点中去。

Combiner----local reduce

在有些情况下，我们希望在分配mapper的结果之前进行一次“local reduce”。比如WordCount程序，我们在处理完一个文档之后得到了“the”1000次，it much more efficient to store and shuffle the pair("the",574) once instread of the pair("the",1) multiple times.这个过程就叫做combiner。今天先简单介绍一下combiner，以后会自己详解。