Hadoop中Combiner的使用

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。