MapReduce体系结构及各种算法(2)

一、combiner编程

    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。所以从我的想法来看，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。

   Combiner仅在Map端进行数据归约， Map之间的数据是无法归约的，因此必须使用Reducer
   Combiner的适合场景：求和，最大值，最小值等
   Combiner的不适合场景：求平均数
   举例
   假如有1T的数据，对里面的数据求和，这一个T的数据被分成很多Block，再Map端进行读取之后全部送入Reducer端，这样的话Reducer处理的数据>=1T
   但是如果再map端进行Combiner合并之后再传到Reducer之后，那么Reducer端处理的数据就很少了，这样就体现了分布式的优势。（相反不用Combiner就根部体现不了分    布式的优势）

二、Partitioner编程

Partitioner是partitioner的基类，如果需要定制partitioner也需要继承该类。

HashPartitioner是mapreduce的默认partitioner。计算方法是
which reducer=(key.hashCode() & Integer.MAX_VALUE) % numReduceTasks，得到当前的目的reducer。

(例子以jar形式运行)

来看下默认的HashPartitioner
public class HashPartitioner<K2, V2> implements Partitioner<K2, V2> {

  public void configure(JobConf job) {}

  /** Use {@link Object#hashCode()} to partition. */
  public int getPartition(K2 key, V2 value,
                          int numReduceTasks) {
    return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;
  }

}
注意：这里的getPartition默认的返回值是0,返回值是分区的编号
如果我们没有自定义分区的话，默认就只有一个分区
适合场景：城市的分区，IP地址的分区，电话号码的分区等等 
分组跟排序
分组要实现RaoComparator接口 
在map和reduce阶段进行排序时，比较的是k2。v2是不参与排序比较的。如果要想让v2也进行排序，需要把k2和v2组装成新的类，作为k2，才能参与比较。

分组时也是按照k2进行比较的。
Shuffle

1 每个map有一个环形内存缓冲区，用于存储任务的输出。默认大小100MB（io.sort.mb属性），一旦达到阀值0.8（io.sort.spill.percent）,一个后台线程把内容写到(spill)磁盘的指定目录（mapred.local.dir）下的新建的一个溢出写文件。
2 写磁盘前，要partition,sort。如果有combiner，combine排序后数据。
3 等最后记录写完，合并全部溢出写文件为一个分区且排序的文件。
2.1 Reducer通过Http方式得到输出文件的分区。
2.2 TaskTracker为分区文件运行Reduce任务。复制阶段把Map输出复制到Reducer的内存或磁盘。一个Map任务完成，Reduce就开始复制输出。
2.3 排序阶段合并map输出。然后走Reduce阶段。
只看这个图，不看other maps，other reducers，有4个map任务，3个reducer
Reducer的源码中有Shuffle的定义