hadoop combine 规约
0 简介：
a) combine发生在map流程中
b) 一般combine代码和自定义reduce代码相同，如果需要不相同，只需要继承hadoop.mapreduce.Reducer
在其内写自己代码即可。
c) combine不是hadoop标配，其有使用局限性，
不会对多个map的输出做处理，不能跨map任务执行，不能代替reduce的作用，
在进行运算时，运算结果于运算总个数有关系时，就不可以使用，eg:
求平均值计算,源文件内容为：
1,1,1,1
2,2,2
不使用combine下，reduce会接受到7个数字， 总和为 10，在除以7 结果为 10/7 = XXX
如果使用combine，在combine处 1,1,1,1 得到的平均值为1， 2,2,2的平均值为2，
然后1,2在传入reduce后在做平均值，结果为1.5
d) 而在非依赖总数计算时，combine的出现会减少map端的输出，
这样shuffle时传输的数据量减少，网络开销减少。 eg:
源文件内容如下，进行单词计数：
hello you
hello me me me
默认不使用combine下的结果为：组是3组 但是记录仍旧是6条 ，
因此在执行job操作时打印为：Map output records=6 Reduce input records=6 Combine input records=0 Combine output records=0
hello, {1,1}
you, {1}
me, {1,1,1}
增加了 combine后，结果就会变成：
因此在执行job操作时打印为：Map output records=6 Combine input records=6 Combine output records=3 Reduce input records=3 Reduce input groups=3 Reduce output records=3
hello, {2}
you, {1}
me, {3}
1 代码
package combine;
import java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Counter;
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.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
/**
* 实现单词计数功能
* 增加自定义计数器功能
* 增加自定义规约combine，使得提高map-->reduce操作传输效率
* 测试文件 hello内容为:
* hello you
* hello me me me
* @author zm
*
* 问：为什么使用Combiner？
* 答：Combiner发生在Map端，对数据进行规约处理，数据量变小了，传送到reduce端的数据量变小了，传输时间变短，作业的整体时间变短。
*
* 问：为什么Combiner不作为MR运行的标配，而是可选步骤哪？
* 答：因为不是所有的算法都适合使用Combiner处理，例如求平均数.
*
* 问：Combiner本身已经执行了reduce操作，为什么在Reducer阶段还要执行reduce操作哪？
* 答：combiner操作发生在map端的，处理一个任务所接收的文件中的数据，不能跨map任务执行；只有reduce可以接收多个map任务处理的数据。
*
* 输出如下：
Mapper输出<hello,1>
Mapper输出<you,1>
Mapper输出<hello,1>
Mapper输出<me,1>
Mapper输出<me,1>
Mapper输出<me,1>
Combine输入分组<hello,...>
Combine输入键值对<hello,1>
Combine输入键值对<hello,1>
Combiner输出键值对<hello,2>
Combine输入分组<me,...>
Combine输入键值对<me,1>
Combine输入键值对<me,1>
Combine输入键值对<me,1>
Combiner输出键值对<me,3>
Combine输入分组<you,...>
Combine输入键值对<you,1>
Combiner输出键值对<you,1>
MyReducer输入分组<hello,...>
MyReducer输入键值对<hello,2>
MyReducer输入分组<me,...>
MyReducer输入键值对<me,3>
MyReducer输入分组<you,...>
MyReducer输入键值对<you,1>
*/
public class MyWordCounterCombile {
static String FILE_ROOT = "hdfs://master:9000/";
static String FILE_INPUT = "hdfs://master:9000/hello";
static String FILE_OUTPUT = "hdfs://master:9000/out";
public static void main(String[] args) throws IOException, URISyntaxException, InterruptedException, ClassNotFoundException {
Configuration conf = new Configuration();
FileSystem fileSystem = FileSystem.get(new URI(FILE_ROOT),conf);
Path outpath = new Path(FILE_OUTPUT);
if(fileSystem.exists(outpath)){
fileSystem.delete(outpath, true);
}
// 0 定义干活的人
Job job = new Job(conf);
// 1.1 告诉干活的人 输入流位置 读取hdfs中的文件。每一行解析成一个<k,v>。每一个键值对调用一次map函数
FileInputFormat.setInputPaths(job, FILE_INPUT);
// 指定如何对输入文件进行格式化，把输入文件每一行解析成键值对
job.setInputFormatClass(TextInputFormat.class);
//1.2 指定自定义的map类
job.setMapperClass(MyMapper.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(LongWritable.class);
//1.3 分区
job.setNumReduceTasks(1);
//1.4 TODO 排序、分组 目前按照默认方式执行
//1.5 规约
job.setCombinerClass(MyCombile.class);
//2.2 指定自定义reduce类
job.setReducerClass(MyReducer.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(LongWritable.class);
//2.3 指定写出到哪里
FileOutputFormat.setOutputPath(job, outpath);
job.setOutputFormatClass(TextOutputFormat.class);
// 让干活的人干活
job.waitForCompletion(true);
}
}
/**
* 继承mapper 覆盖map方法，hadoop有自己的参数类型
* 读取hdfs中的文件。每一行解析成一个<k,v>。每一个键值对调用一次map函数，
* 这样，对于文件hello而言，调用MyMapper方法map后得到结果：
* <hello,1>,<you,1>,<hello,1>,<me,1>
* 方法后，得到结果为：
* KEYIN, 行偏移量
* VALUEIN, 行文本内容(当前行)
* KEYOUT, 行中出现的单词
* VALUEOUT 行中出现单词次数,这里固定写为1
*
*/
class MyMapper extends Mapper<LongWritable, Text, Text, LongWritable>{
@Override
protected void map(LongWritable k1, Text v1, Context context)
throws IOException, InterruptedException {
Counter helloCounter = context.getCounter("Sensitive Words", "hello");
String line = v1.toString();
if(line.contains("hello")){
helloCounter.increment(1);
}
String[] v1s = v1.toString().split("\t");
for(String word : v1s){
context.write(new Text(word), new LongWritable(1));
System.out.println("Mapper输出<" + word +"," + 1 + ">"); // <hello,1> <hello,1> <you,1> <me,1>
}
}
}
//自定义规约器
class MyCombile extends Reducer<Text, LongWritable, Text, LongWritable>{
protected void reduce(Text k2, Iterable<LongWritable> v2s, Context ctx) throws IOException, InterruptedException {
// 显示k2 在上面执行完mapper和自动合并分组后，有多少组
System.out.println("Combine输入分组<" + k2.toString() + ",...>");
long times = 0L;
for(LongWritable l : v2s){
times += l.get();
System.out.println("Combine输入键值对<" + k2.toString() + "," + l.get() + ">");
}
ctx.write(k2, new LongWritable(times));
System.out.println("Combiner输出键值对<"+k2.toString()+","+times+">");
}
}
/**
* <hello,{1,1}>,<me,{1}>,<you,{1}>, 每个分组调用一次 reduce方法
*
* KEYIN, 行中出现单词
* VALUEIN, 行中出现单词个数
* KEYOUT, 文件中出现不同单词
* VALUEOUT 文件中出现不同单词总个数
*/
class MyReducer extends Reducer<Text, LongWritable, Text, LongWritable>{
protected void reduce(Text k2, Iterable<LongWritable> v2s, Context ctx)
throws IOException, InterruptedException {
System.out.println("MyReducer输入分组<"+k2.toString()+",...>");
long times = 0L;
for(LongWritable l : v2s){
times += l.get();
System.out.println("MyReducer输入键值对<"+k2.toString()+","+l.get()+">");
}
ctx.write(k2, new LongWritable(times));
}
}