Hadoop 使用Combiner提高Map/Reduce程序效率

      众所周知，Hadoop框架使用Mapper将数据处理成一个<key,value>键值对，再网络节点间对其进行整理(shuffle)，然后使用Reducer处理数据并进行最终输出。

      在上述过程中，我们看到至少两个性能瓶颈：

1. 如果我们有10亿个数据，Mapper会生成10亿个键值对在网络间进行传输，但如果我们只是对数据求最大值，那么很明显的Mapper只需要输出它所知道的最大值即可。这样做不仅可以减轻网络压力，同样也可以大幅度提高程序效率。
2. 使用专利中的国家一项来阐述数据倾斜这个定义。这样的数据远远不是一致性的或者说平衡分布的，由于大多数专利的国家都属于美国，这样不仅Mapper中的键值对、中间阶段(shuffle)的键值对等，大多数的键值对最终会聚集于一个单一的Reducer之上，压倒这个Reducer，从而大大降低程序的性能。

        Hadoop通过使用一个介于Mapper和Reducer之间的Combiner步骤来解决上述瓶颈。你可以将Combiner视为Reducer的一个帮手，它主要是为了削减Mapper的输出从而减少网络带宽和Reducer之上的负载。如果我们定义一个Combiner，MapReducer框架会对中间数据多次地使用它进行处理。

        如果Reducer只运行简单的分布式方法，例如最大值、最小值、或者计数，那么我们可以让Reducer自己作为Combiner。但许多有用的方法不是分布式的。以下我们使用求平均值作为例子进行讲解：

        Mapper输出它所处理的键值对，为了使单个DataNode计算平均值Reducer会对它收到的<key,value>键值对进行排序，求和。

        由于Reducer将它所收到的<key,value>键值的数目视为输入数据中的<key,value>键值对的数目，此时使用Combiner的主要障碍就是计数操作。我们可以重写MapReduce程序来明确的跟踪计数过程。

代码如下：

[java] view
plaincopy

1. package com;  
2.   
3. import java.io.IOException;  
4.   
5. import org.apache.hadoop.conf.Configuration;  
6. import org.apache.hadoop.conf.Configured;  
7. import org.apache.hadoop.fs.Path;  
8. import org.apache.hadoop.io.DoubleWritable;  
9. import org.apache.hadoop.io.LongWritable;  
10. import org.apache.hadoop.io.Text;  
11. import org.apache.hadoop.mapreduce.Job;  
12. import org.apache.hadoop.mapreduce.Mapper;  
13. import org.apache.hadoop.mapreduce.Reducer;  
14. import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;  
15. import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;  
16. import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;  
17. import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;  
18. import org.apache.hadoop.util.Tool;  
19. import org.apache.hadoop.util.ToolRunner;  
20.   
21. public class AveragingWithCombiner extends Configured implements Tool {  
22.   
23.     public static class MapClass extends Mapper<LongWritable,Text,Text,Text> {  
24.           
25.         static enum ClaimsCounters { MISSING, QUOTED };  
26.         // Map Method  
27.         public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {  
28.             String fields[] = value.toString().split(",", -20);  
29.             String country = fields[4];  
30.             String numClaims = fields[8];  
31.               
32.             if (numClaims.length() > 0 && !numClaims.startsWith("\"")) {  
33.                 context.write(new Text(country), new Text(numClaims + ",1"));  
34.             }  
35.         }  
36.     }  
37.       
38.     public static class Reduce extends Reducer<Text,Text,Text,DoubleWritable> {  
39.           
40.         // Reduce Method  
41.         public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {  
42.             double sum = 0;  
43.             int count = 0;  
44.             for (Text value : values) {  
45.                 String fields[] = value.toString().split(",");  
46.                 sum += Double.parseDouble(fields[0]);  
47.                 count += Integer.parseInt(fields[1]);  
48.             }  
49.             context.write(key, new DoubleWritable(sum/count));  
50.         }  
51.     }  
52.       
53.     public static class Combine extends Reducer<Text,Text,Text,Text> {  
54.           
55.         // Reduce Method  
56.         public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {  
57.             double sum = 0;  
58.             int count = 0;  
59.             for (Text value : values) {  
60.                 String fields[] = value.toString().split(",");  
61.                 sum += Double.parseDouble(fields[0]);  
62.                 count += Integer.parseInt(fields[1]);  
63.             }  
64.             context.write(key, new Text(sum+","+count));  
65.         }  
66.     }  
67.       
68.     // run Method  
69.     public int run(String[] args) throws Exception {  
70.         // Create and Run the Job  
71.         Job job = new Job();  
72.         job.setJarByClass(AveragingWithCombiner.class);  
73.           
74.         FileInputFormat.addInputPath(job, new Path(args[0]));  
75.         FileOutputFormat.setOutputPath(job, new Path(args[1]));  
76.           
77.         job.setJobName("AveragingWithCombiner");  
78.         job.setMapperClass(MapClass.class);  
79.         job.setCombinerClass(Combine.class);  
80.         job.setReducerClass(Reduce.class);  
81.         job.setInputFormatClass(TextInputFormat.class);  
82.         job.setOutputFormatClass(TextOutputFormat.class);  
83.           
84.         job.setOutputKeyClass(Text.class);  
85.         job.setOutputValueClass(Text.class);  
86.           
87.         System.exit(job.waitForCompletion(true) ? 0 : 1);  
88.         return 0;  
89.     }  
90.       
91.     public static void main(String[] args) throws Exception {  
92.         int res = ToolRunner.run(new Configuration(), new AveragingWithCombiner(), args);  
93.         System.exit(res);  
94.     }  
95.   
96. }