mapreduce 压缩

Combiner，Combiner号称本地的Reduce，Reduce最终的输入，是Combiner的输出。

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。

---

　　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)：

[java] view plaincopy
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{

@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{

@override
protected void reduce(text arg0, iterable 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