MapReduce架构和算法(2)

    每map它可能会产生大量的输出，combiner的作用是map输出端先做合并。reducer的数据量。

    combiner最基本是实现本地key的归并，combiner具有类似本地的reduce功能

    假设不用combiner，那么，全部的结果都是reduce完毕。效率会相对低下。

使用combiner，先完毕的map会在本地聚合，提升速度。

   注意：Combiner的输出是Reducer的输入，Combiner绝不能改变终于的计算结果。

所以从我的想法来看，Combiner仅仅应该用于那种Reduce的输入key/value与输出       

   key/value类型全然一致，且不影响终于结果的场景。比方累加，最大值等。

   Combiner仅在Map端进行数据归约。 Map之间的数据是无法归约的，因此必须使用Reducer
   Combiner的适合场景：求和，最大值，最小值等
   Combiner的不适合场景：求平均数
   举例
   假如有1T的数据。对里面的数据求和，这一个T的数据被分成非常多Block，再Map端进行读取之后所有送入Reducer端，这种话Reducer处理的数据>=1T
   可是假设再map端进行Combiner合并之后再传到Reducer之后，那么Reducer端处理的数据就非常少了。这样就体现了分布式的优势。（相反不用Combiner就根部体现不了分    布式的优势）

Partitioner是partitioner的基类，假设须要定制partitioner也须要继承该类。

HashPartitioner是mapreduce的默认partitioner。计算方法是
which reducer=(key.hashCode() & Integer.MAX_VALUE) % numReduceTasks。得到当前的目的reducer。

(样例以jar形式执行)

来看下默认的HashPartitioner
public class HashPartitioner<K2, V2> implements Partitioner<K2, V2> {

  public void configure(JobConf job) {}

  /** Use {@link Object#hashCode()} to partition. */
  public int getPartition(K2 key, V2 value,
                          int numReduceTasks) {
    return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;
  }

}
注意：这里的getPartition默认的返回值是0,返回值是分区的编号
假设我们没有自己定义分区的话。默认就仅仅有一个分区
适合场景：城市的分区。IP地址的分区，电话号码的分区等等 
分组跟排序
分组要实现RaoComparator接口 
在map和reduce阶段进行排序时，比較的是k2。

v2是不參与排序比較的。假设要想让v2也进行排序，须要把k2和v2组装成新的类，作为k2，才干參与比較。

分组时也是依照k2进行比較的。

Shuffle

1 每一个map有一个环形内存缓冲区，用于存储任务的输出。默认大小100MB（io.sort.mb属性）。一旦达到阀值0.8（io.sort.spill.percent）,一个后台线程把内容写到(spill)磁盘的指定文件夹（mapred.local.dir）下的新建的一个溢出写文件。
2 写磁盘前。要partition,sort。假设有combiner，combine排序后数据。

3 等最后记录写完。合并所有溢出写文件为一个分区且排序的文件。

2.1 Reducer通过Http方式得到输出文件的分区。

2.2 TaskTracker为分区文件执行Reduce任务。复制阶段把Map输出拷贝到Reducer的内存或磁盘。一个Map任务完毕，Reduce就開始复制输出。
2.3 排序阶段合并map输出。然后走Reduce阶段。

仅仅看这个图，不看other maps。other reducers。有4个map任务。3个reducer
Reducer源代码有Shuffle定义