Hadoop中Combiner的使用

￡神魔★判官ぃ 2022-05-29 06:44 172阅读 0赞

[http://blog.csdn.net/ipolaris/article/details/8723782][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  
![这里写图片描述][Image 1]  
　　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）  
![这里写图片描述][Image 1]  
**我们在看看加上Combiner运行情况**  
![这里写图片描述][Image 1]  
Reduce input records\*\*只有565\*\*，大量的map输出已经在Combiner中进行了合并

**在举一个完整的小例子(WordCount)**

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

// Combiner
    import org.apache.hadoop.io.LongWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Reducer;
    
    
    /** * combiner必须遵循reducer的规范 * 可以把它看成一种在map任务本地运行的reducer * 使用combiner的时候要注意两点 * 1、combiner的输入输出数据泛型类型要能跟mapper和reducer匹配 * 2、combiner加入之后不能影响最终的业务逻辑运算结果 * */
    public class WCCombiner extends Reducer<Text, LongWritable, Text, LongWritable>{ 
    
    }

// Mapper
    import java.io.IOException;
    
    import org.apache.commons.lang.StringUtils;
    import org.apache.hadoop.io.LongWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Mapper;
    
    //4个泛型中，前两个是指定mapper输入数据的类型，KEYIN是输入的key的类型，VALUEIN是输入的value的类型
    //map 和 reduce 的数据输入输出都是以 key-value对的形式封装的
    //默认情况下，框架传递给我们的mapper的输入数据中，key是要处理的文本中一行的起始偏移量，这一行的内容作为value
    public class WCMapper extends Mapper<LongWritable, Text, Text, LongWritable>{ 
    
        //mapreduce框架每读一行数据就调用一次该方法
        @Override
        protected void map(LongWritable key, Text value,Context context)
                throws IOException, InterruptedException {
            //具体业务逻辑就写在这个方法体中，而且我们业务要处理的数据已经被框架传递进来，在方法的参数中 key-value
            //key 是这一行数据的起始偏移量 value 是这一行的文本内容
    
            //将这一行的内容转换成string类型
            String line = value.toString();
    
            //对这一行的文本按特定分隔符切分
            String[] words = StringUtils.split(line, " ");
    
            //遍历这个单词数组输出为kv形式 k：单词 v ： 1
            for(String word : words){
    
                context.write(new Text(word), new LongWritable(1));
    
            }
        }
    }

//Reducer
    import org.apache.hadoop.io.LongWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Reducer;
    
    public class WCReducer extends Reducer<Text, LongWritable, Text, LongWritable>{ 
    
    
    
        //框架在map处理完成之后，将所有kv对缓存起来，进行分组，然后传递一个组<key,valus{}>，调用一次reduce方法
        //<hello,{1,1,1,1,1,1.....}>
        @Override
        protected void reduce(Text key, Iterable<LongWritable> values,Context context)
                throws IOException, InterruptedException {
    
            long count = 0;
            //遍历value的list，进行累加求和
            for(LongWritable value:values){
    
                count += value.get();
            }
    
            //输出这一个单词的统计结果
    
            context.write(key, new LongWritable(count));
    
        }
    }

//Runner
    import java.io.IOException;
    
    import org.apache.hadoop.conf.Configuration;
    import org.apache.hadoop.fs.Path;
    import org.apache.hadoop.io.LongWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Job;
    import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
    import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
    
    /** * 用来描述一个特定的作业 * 比如，该作业使用哪个类作为逻辑处理中的map，哪个作为reduce * 还可以指定该作业要处理的数据所在的路径 * 还可以指定改作业输出的结果放到哪个路径 * .... * */
    
     //这是job描述和提交类的规范写法
    public class WCRunner extends Configured implements Tool { 
    
        @Override
        public int run(String[] args) throws Exception {
    
            Configuration conf = new Configuration();
    
            Job wcjob = Job.getInstance(conf);
    
            //设置整个job所用的那些类在哪个jar包
            wcjob.setJarByClass(WCRunner.class);
    
    
            //本job使用的mapper和reducer的类
            wcjob.setMapperClass(WCMapper.class);
            wcjob.setReducerClass(WCReducer.class);
    
    
            //指定本job使用combiner组件，组件所用的类为
            wcjob.setCombinerClass(WCReducer.class);
    
    
            //指定reduce的输出数据kv类型
            wcjob.setOutputKeyClass(Text.class);
            wcjob.setOutputValueClass(LongWritable.class);
    
            //指定mapper的输出数据kv类型
            wcjob.setMapOutputKeyClass(Text.class);
            wcjob.setMapOutputValueClass(LongWritable.class);
    
    
            //指定要处理的输入数据存放路径
            FileInputFormat.setInputPaths(wcjob, new Path("hdfs://XXX:9000/wc/srcdata/"));
    
            //指定处理结果的输出数据存放路径
            FileOutputFormat.setOutputPath(wcjob, new Path("hdfs://XXX:9000/wc/output3/"));
    
            //将job提交给集群运行 
            wcjob.waitForCompletion(true);
    
    
        }
    
        public static void main(String[] args) throws Exception {
            int res = ToolRunner.run(new Configuration(), new FlowSumRunner(), args);
            System.exit(res);
        }
    }

[http_blog.csdn.net_ipolaris_article_details_8723782]: http://blog.csdn.net/ipolaris/article/details/8723782
[Image 1]: