我要进大厂之大数据MapReduce知识点(2)
01 我们一起学大数据
今天老刘分享的是MapReduce知识点的第二部分，在第一部分中基本把MapReduce的工作流程讲述清楚了，现在就是对MapReduce零零散散的知识点进行总结，这次的内容大纲如下图：
02 需要谨记的知识点
第6点：自定义分区
在上篇文章里的第五点提到过这句话：分区用到了分区器，默认分区器是HashPartitioner，并且给出了相关代码，现在对分区详细介绍介绍。
分区原理
MapReduce有自带的默认分区器HashPartitioner，关键方法是利用getPartition()返回当前键值对的分区索引。
详细流程就是① 在环形缓冲区溢出写磁盘前，会将每个键值对kv，作为getPartition()的参数输入；
② 然后就会对键值对中的key求hash值，与MAX_VALUE按位与，再模上reduce task的个数，这里老刘假设reduce task的个数为4，那么map任务溢出的文件就会有4个分区，分区的index分别为0,1,2,3，那getPartition()的输出结果就是0,1,2,3。
③ 根据计算结果，就会决定出当前键值对KV，落入哪个分区，如果是0，就会落入到溢出文件的0分区里面。
④ 最后就会被相应的reduce通过http获得。
那讲完这个，就要说说自定义分区，为什么会有自定义分区？
因为MR用的是默认HashPartition分区，但是当前业务逻辑，不适用于HashPartition分区，就需要自己设计自定义分区。
这里就举个例子，自定义分区，使得文件中，分别以Dear、Bear、River、Car为键的键值对，分别落到index是0、1、2、3的分区中。
咱们先来分析分析它的逻辑，由于是自定义分区嘛！就需要自定义分区类，然后用这个类实现Partitioner接口，以及在getPartition()中实现分区逻辑，最后就是在main()中设置reduce个数为4，大致就是这样。
下面分享出关键代码：
public class CustomPartitioner extends Partitioner<Text, IntWritable> { public static HashMap<String, Integer> dict = new HashMap<String, Integer>(); //定义每个键对应的分区index，使用map数据结构完成 static{ dict.put("Dear", 0); dict.put("Bear", 1); dict.put("River", 2); dict.put("Car", 3); } public int getPartition(Text text, IntWritable intWritable, int i) { //Dear、Bear、River、Car分别落入到index是0,1，2,3的分区中 int partitionIndex = dict.get(text.toString()); return partitionIndex; } }
那么自定义分区就说完了，大家可以总结总结，自定义分区的步骤。
第7点：自定义Combiner
仔细看这张图的红色标记处，combine操作就发生在这个地方，它会把两个(Dear,1)变为1个(Dear,2)。
为什么要进行combine操作？
我们假设map中(Dear, 1)有1亿个，按原思路，map端需要存储1亿个(Dear, 1)，然后将1亿个(Dear, 1)通过网络被reduce获得，然后再在reduce端进行汇总，这样做map端本地磁盘IO、数据从map端到reduce端传输的网络IO比较大，网络开销太大了。
所以我们就会需要想办法，能不能在reduce1从map1拉取1亿个(Dear, 1)之前，在map端就提前先做下reduce汇总，得到结果(Dear, 100000000)，然后再将这个结果（一个键值对）传输到reduce1呢？那当然是可以的，这个操作就是combine操作。
combine操作具体流程如下：
当每个map任务的环形缓冲区添满80%，开始溢写磁盘文件。
在这个过程中会进行分区，每个分区内按键排序，如果设置了combine的话，就会继续进行combine操作，如果设置map输出压缩的话，就会进行压缩。
在合并溢写文件时，如果至少有3个溢写文件，并且设置了map端combine的话，会在合并的过程中触发combine操作；
但是若只有2个或1个溢写文件，则不触发combine操作（因为combine操作，本质上是一个reduce，需要启动JVM虚拟机，有一定的开销）
combine本质上也是reduce；因为自定义的combine类继承自Reducer父类
MR代码如下：
//在main()中进行设置 job.setCombinerClass(WordCountReduce.class)
MR的combine操作就讲得差不多了，大家还可以总结总结!
第8点：MR压缩
为什么会有MR压缩？
在MR中，为了减少磁盘IO及网络IO，可考虑在map端、reduce端设置压缩功能。
那么如何设置压缩功能呢？只需在main方法中，给Configuration对象增加如下设置即可：
//开启map输出进行压缩的功能 configuration.set("mapreduce.map.output.compress", "true"); //设置map输出的压缩算法是：BZip2Codec，它是hadoop默认支持的压缩算法，且支持切分 configuration.set("mapreduce.map.output.compress.codec", "org.apache.hadoop.io.compress.BZip2Codec"); //开启job输出压缩功能 configuration.set("mapreduce.output.fileoutputformat.compress", "true"); //指定job输出使用的压缩算法 configuration.set("mapreduce.output.fileoutputformat.compress.codec", "org.apache.hadoop.io.compress.BZip2Codec");
那MR压缩就差不多就讲完了，大家可以继续总结总结。
第9点：自定义InputFormat
老刘主要讲讲InputFormat的流程，老刘之前在MapReduce的第一篇文章中讲过，假设MR的输入文件有三个block：block1，block2，block3，每一个block对应一个split分片，每一个split对应一个map任务(map task)。
但是呢，没有讲如何把文件进行切分之类的问题，就直接给出来了，下面就是讲讲这些内容。
先说一点，MapReduce任务的输入文件一般是存储在HDFS里面，我们主要看map任务是如何从hdfs读取分片数据的部分。
这里会涉及三个关键的类：
① InputFormat输入格式类
② InputSplit输入分片类：getSplit()，InputFormat输入格式类将输入文件分成一个个分片InputSplit；每个Map任务对应一个split分片。
③ RecordReader记录读取器类：createRecordReader()，RecordReader（记录读取器）读取分片数据，一行记录生成一个键值对；传入map任务的map()方法，调用map()。
再说说为什么需要自定义InputFormat？
无论hdfs还是mapreduce，处理小文件都有损效率，实践中，又难免面临处理大量小文件的场景，那这个时候就需要采取一些解决办法。
小文件的优化无非以下几种方式：
① 在数据采集的时候，就将小文件或小批数据合成大文件再上传HDFS(SequenceFile方案)。
② 在业务处理之前，在HDFS上使用mapreduce程序对小文件进行合并；可使用自定义InputFormat实现。
③ 在mapreduce处理时，可采用CombineFileInputFormat提高效率。
我们可以采取第二步，自定义输入格式。老刘这次只能讲讲大概了，等老刘阅读源码水平变高，再来给大家好好讲讲。
03 知识点总结
好啦，今天的MapReduce内容就总结得差不多了，内容还是蛮多的，难点就是这个自定义InputFormat，老刘也只是讲了讲大概，等以后有空了，老刘看源码水平变高了，再看给大家好好讲讲。
最后，有事，就联系公众号：努力的老刘；没事，就和老刘一起好好写大数据。
