Hadoop中Combiner的使用

注：转载自http://blog.csdn.net/ipolaris/article/details/8723782

在MapReduce中，当map生成的数据过大时，带宽就成了瓶颈，怎样精简压缩传给Reduce的数据，有不影响最终的结果呢。有一种方法就是使用Combiner，Combiner号称本地的Reduce，Reduce最终的输入，是Combiner的输出。下面以《Hadoop in action》中的专利数据为例。我们打算统计每个国家的专利数目。代码如下(使用Combiner的代码注释掉)：

package net.csdn.blog.ipolaris.hadoopdemo;  
  
import java.io.IOException;  
  
import net.scdn.blog.ipolaris.util.ArgsTool;  
  
import org.apache.hadoop.conf.Configuration;  
import org.apache.hadoop.conf.Configured;  
import org.apache.hadoop.fs.Path;  
import org.apache.hadoop.io.IntWritable;  
import org.apache.hadoop.io.LongWritable;  
import org.apache.hadoop.io.Text;  
import org.apache.hadoop.mapreduce.Job;  
import org.apache.hadoop.mapreduce.Mapper;  
import org.apache.hadoop.mapreduce.Reducer;  
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;  
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;  
import org.apache.hadoop.util.Tool;  
import org.apache.hadoop.util.ToolRunner;  
  
public class Demo1 extends Configured implements Tool{  
  
    /** 
     * @param args 
     * @throws Exception  
     */  
    public static void main(String[] args) throws Exception {  
        System.exit(ToolRunner.run(new Demo1(), args));  
  
    }  
  
    public static class DemoMap extends Mapper<LongWritable, Text, Text, IntWritable>{  
  
        @Override  
        protected void map(LongWritable key, Text value, Context context)  
                throws IOException, InterruptedException {  
              
            String line = value.toString();  
            String[] splitdata = line.split("\\,");  
            String contry = splitdata[4];  
            System.out.println("country:"+contry);  
            if (contry.trim().equals("\"COUNTRY\"")) {  
                return;  
            }else{  
                context.write(new Text(contry), new IntWritable(1));  
            }  
        }  
          
    }  
      
    public static class DemoReduce extends Reducer<Text, IntWritable, Text, IntWritable>{  
  
        @Override  
        protected void reduce(Text arg0, Iterable<IntWritable> arg1,Context context)  
                throws IOException, InterruptedException {  
            System.out.println("reduce");  
            int sum = 0;  
            for (IntWritable num : arg1) {  
                sum += num.get();  
            }  
            context.write(arg0, new IntWritable(sum));  
        }  
          
    }  
    @Override  
    public int run(String[] arg0) throws Exception {  
        Configuration conf = getConf();  
          
          
        Job job = new Job(conf, "demo1");  
        String inputPath = ArgsTool.getArg(arg0, "input");  
        String outputPath = ArgsTool.getArg(arg0, "output");  
          
        FileInputFormat.addInputPath(job, new Path(inputPath));  
        FileOutputFormat.setOutputPath(job, new Path(outputPath));  
          
        job.setJarByClass(Demo1.class);  
        job.setMapperClass(DemoMap.class);  
        job.setReducerClass(DemoReduce.class);  
        //job.setCombinerClass(DemoReduce.class);  
        job.setOutputKeyClass(Text.class);  
        job.setOutputValueClass(IntWritable.class);  
        return job.waitForCompletion(true)?0:1;  
    }  
  
}  

可以看出，reduce的输入每个key所对应的value将是一大串1，但处理的文本很多时，这一串1已将占用很大的带宽，如果我们在map的输出给于reduce之前做一下合并或计算，那么传给reduce的数据就会少很多，减轻了网络压力。此时Combiner就排上用场了。我们现在本地把Map的输出做一个合并计算，把具有相同key的1做一个计算，然后再把此输出作为reduce的输入，这样传给reduce的数据就少了很多。Combiner是用reducer来定义的，多数的情况下Combiner和reduce处理的是同一种逻辑，所以job.setCombinerClass()的参数可以直接使用定义的reduce，当然也可以单独去定义一个有别于reduce的Combiner，继承Reducer，写法基本上定义reduce一样。让我们看一下，加入Combiner之前的处理结果

 

我们看到Reduce input records的值为2923922（在map中删掉了一条数据），而Map input records值为2923923，也就是说每个map input record，对应了一个reduce input record。代表着我们要通过网络传输大量的值。最终的统计结果如下（只截取了一段）

我们在看看加上Combiner运行情况

Reduce input records只有565，大量的map输出已经在Combiner中进行了合并，最终的统计结果和上图相同，就不贴图了。

 

有关Combiner组件的总结如下：

1.是在每一个map task的本地运行，能收到map输出的每一个key的valuelist,所以可以做局部汇总处理

2.因为在map task的本地进行了局部汇总，就会让map端的输出数据量大幅精简，减小shuffle过程的网络IO

3.combiner其实就是一个reducer组件，跟真是的reducer的区别就在于，combiner运行maptask的本地

4.combiner在使用时需要注意，输入输出KV数据类型要跟map和reduce的相应数据类型匹配

5.要注意业务逻辑不能因为combiner的加入而受影响