MapReduce源码刨析

MapReduce编程刨析：

Map

map函数是对一些独立元素组成的概念列表(如单词计数中每行数据形成的列表)的每一个元素进行指定的操作(如把每行数据拆分成不同单词,并把每个单词计数为1),用户可以自定义一个把数据拆分成不同单词并把单词计数为1的映射map函数),事实上每个元素都是被独立操作的,而原始列表没有被修改,因为这里创建了一个新的列表来保存新的答案。

public class Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT> {

  //设定Context传递给 {@link Mapper} 实现
  public abstract class Context
    implements MapContext<KEYIN,VALUEIN,KEYOUT,VALUEOUT> {
  }
  //在任务开始的时候调用一次 为map方法提供预处理一些内容
  protected void setup(Context context
                       ) throws IOException, InterruptedException {
  }

 // 对输入分片里的key/value对调用一次，进行处理。
  @SuppressWarnings("unchecked")
  protected void map(KEYIN key, VALUEIN value,
                     Context context) throws IOException, InterruptedException {
    context.write((KEYOUT) key, (VALUEOUT) value);
  }

  //任务结尾调用一次，进行扫尾工作。
  protected void cleanup(Context context
                         ) throws IOException, InterruptedException {
  }

  public void run(Context context) throws IOException, InterruptedException {
    setup(context);
    try {
      while (context.nextKeyValue()) {
        map(context.getCurrentKey(), context.getCurrentValue(), context); //对key/value进行处理。
      }
    } finally {
      cleanup(context);
    }
  }
}

编写MapReduce程序时，Map都要继承Mapper类，Mapper有4种泛型：KEYIN,VALUEIN,KEYOUT,VALUEOUT。KEYIN,VALUEIN是输入数据(key,value)的值，KEYOUT,VALUEOUT是输出数据(key,value)的值。因为它们经常在节点间进行网络传输，所以继承Writable接口被封闭类的驱动。

首先run()方法执行Map作业中的setup方法，它只在作业开始的时候调用一次处理Map作业需要的一些初始化作业。

然后，通过while循环遍历context里的(key,value)对 ，对每一组需要重写map方法以满足业务需求，在map中有3个参数。分别是key,value,context。key作为输入的关键字，value为输入的值。他们是MapReduce过程用于传值的(key,value)，数据的输入是一批（key,value）,从源码 context.write((KEYOUT) key, (VALUEOUT) value);可以看出生成结果也是一对(key,value),然后将其写入context。

因为MapReduce 是基于集群运算的框架，因此key和value的值为了满足集群之间的网络传输的规则，需要支持序列化和反序列化，而且整个MapRedcue过程会按照key进行排序分组，因此key必须实现WritableComparable接口，保证MapReduce对数据输出的结果执行进行相应的排序操作。

最后调用cleanup方法做最后的处理。它只在MapReduce进行结束的时候执行一次进行作业的扫尾工作。

代码

public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        //key记录的是数据的偏移位置，value是每次分片提供给我们的读取一行数据。
        //Map读数据时按分片给的内容一行一行来读取的。
        String[] words = value.toString().split(" "); //每一行数据拆按照“ ”拆分放入字符数组words

        for (String word : words) {
            context.write(new Text(word), new IntWritable(1));  //每个单词当key，并赋值1
        }

    }

• 第1个参数类型LongWritable：输入key类型，记录数据分片的偏移量。
• 第2个参数类型Text：输入value，对应分片中的文本数据。
• 第3个参数Text：输出key，对应map方法计算的key值。
• 第4个参数IntWritable：输出value，对应map计算的value值。

Mapper从分片后传出的上下文接收数据以LongWritable, Text为(key,value)接收，然后重写map方法，默认设置一行一行读取数据并以(key,value)的形式进行便利.最后经过context.write方法按照Mapper类中定义的输出格式(Text, IntWritable)写入上下文。给Mapper Redcuer 等支持Context传输程序使用。

Reduce

Reducer获取Mapper任务输出的已经完成的地址信息后，系统会启用复制程序，将需要的数据复制到本地存储空间，如果Mapper输出很小，会复制到Reducer的内存区域。否则会复制到磁盘上，随着复制内容的增加，Reduce作业批量地启动合并任务，执行合并操作，启动Reducer类后接收上下文地数据进行Reduce任务。

public class Reducer<KEYIN,VALUEIN,KEYOUT,VALUEOUT> {

  // 设定Context传递给{@link Reducer}实现，即获得Context的内容
  public abstract class Context
    implements ReduceContext<KEYIN,VALUEIN,KEYOUT,VALUEOUT> {
  }

   //任务开始调用一次，为reduce方法提供预处理的一些内容
  protected void setup(Context context
                       ) throws IOException, InterruptedException {
  }
   //对key/value进行处理
  @SuppressWarnings("unchecked")
  protected void reduce(KEYIN key, Iterable<VALUEIN> values, Context context
                        ) throws IOException, InterruptedException {
    for(VALUEIN value: values) {//迭代获取context的数据
      context.write((KEYOUT) key, (VALUEOUT) value); //将计算结果写入context
    }
  }
	//在任务结尾调用一次进行一次扫尾工作
  protected void cleanup(Context context
                         ) throws IOException, InterruptedException {

  }
//Reducer类的驱动方法
  public void run(Context context) throws IOException, InterruptedException {
    setup(context);
    try {
      while (context.nextKey()) {
        reduce(context.getCurrentKey(), context.getValues(), context);
        //如果使用备份存储，请将其重置
        Iterator<VALUEIN> iter = context.getValues().iterator();
        if(iter instanceof ReduceContext.ValueIterator) {
          ((ReduceContext.ValueIterator<VALUEIN>)iter).resetBackupStore();
        }
      }
    } finally {
      cleanup(context);  //扫尾
    }
  }
}

任何一个Reduce任务都会继承Reducer类，有4个值分别是：KEYIN,VALUEIN,KEYOUT,VALUEOUT。

KEYIN，VALUEIN是Reducer接收来自Mapper的输出，故Writable类型要和Mapper类中的KEYOUT、VALUEIN指定输出的key/value数据类型是一 一对应的。每个Reducer类接收的数据并不是Mapper传出的数据量，而是shuffle过程分区决定的，一般一个分区对应一个Reducer类，当只有一个Reducer类时，可以接收所有分区的数据。

Reducer的结构和Mapper源码结构十分相似，run方法的驱动Reducer的任务，执行顺序时setup→while→cleanup，其中setup与clean方法分别提供了对预执行和扫尾的操作和支持。分别在Reducer任务执行前执行一次，在Reducer任务后结尾执行一次。 while (context.nextKey())判断所在的Reducer类中（一般一个Reducer类对应一个，一个分区接收一组或多组由Map任务输出的key/value对的值）相同的key及相应的值一定在一个分区。）是否有下一个分区，如果有则会把相同key对应的值放到一块传给reduce方法进行处理。reducer有KEYIN key, Iterable <.VALUEIN./> values, Context context 共3个形式参数，其中 key时whiel条件判定的key，values就是与该vaues和key相同的key的所有值，然后会根据for循环把他们写入到上下文中。

reduce方法将传过来的数据按照key进行排序。Reduce任务接收的数据来自Map任务的输出，中间经过shuffle分区、排序、分组，正式给reduce方法处理。

代码

public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
	//reduce方法重写
    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
        int total = 0;  //初始化变量为0
        for (IntWritable value : values) {
            total += value.get();//将相同的单词对应的值加一起
        }
        context.write(key, new IntWritable(total));//结果写入上下文
    }
}

Driver

public class WordCountDriver {
    public static void main(String[] args) throws Exception {
        Job job = Job.getInstance(new Configuration()); //获取环境变量

        job.setJarByClass(WordCountDriver.class);  //指定驱动类

        job.setMapperClass(WordCountMapper.class); //指定Map类
        job.setMapOutputKeyClass(Text.class);	//map K
        job.setMapOutputValueClass(IntWritable.class);	//map v

        job.setReducerClass(WordCountReducer.class); //指定reducer类
        job.setOutputKeyClass(Text.class);	//reduce k
        job.setOutputValueClass(IntWritable.class); //reduce v

        FileInputFormat.setInputPaths(job, new Path(args[0])); //任务输如路径
        FileOutputFormat.setOutputPath(job, new Path(args[1]));	//任务输出路径

        job.waitForCompletion(true);

    }
}

首先获取Job的实例，并创建环境变量的实例conf赋值于Job的构造方法，在job作业中set方法只有作业被提交之后才起作用，之后他们将抛出一个IllegalStateException异常。通常，用户创建应用程序，通过Job描述作业各个方面，然后提交作业监视其进度。7-13行指定map和reduce的输入输出文件类型。FileInputFormat继承InputFormat类，主要完成输入路径的设置。FileOutputFormat继承OutputFormat类通过setOutputPath方法指定Job作业执行完成结果的输出路径，对于Shuffle过程默认的分区、分组、排序、如果不能满足任务要求，也可以自定义指定。

过程

1. 检查作业提交输入输出样式的细节。

2. 为作业计算InputSplit值。

3. 如果需要的话，为作业的DistributedCahe建立统计信息。

4. 复制作业的jar包和配置文件到FileSystem上的MapReduce系统目录下。

5. 提交作业到ResourceManager并且监控它的状态。

作业Job输入

1. 检查作业的有效性。

2. 检查作业输入的有效性。

3. 提供RecordReader的实现，这个RecordReadr从逻辑InputSplit中输入记录，这些记录将由Mapper处理。

作业Job输出

1. 检查作业的输出，检查路径是否已经存在
2. 提供一个RecordWriter的实现，用来输出作业加过,TextOutputFormat是默认的OutputFormat，输出文件被保存在FileSystem上。

Mapper输入

Mapper的输入本质上来讲是源自于HDFS上存储的数据，这些数据进入Mapper计算之前有个分片的过程，它主要将HDFS上的Block在进行map之前重新划分，生成一组记录分片长度和一个记录数据位置的数组，进而内部形成记录数组位置的值key vakye扩及然后传给Mapper计算，这里 key和value的类型由一套默认的类型机制，同时也是向用户开放的。

setInputFormatClass

public void setInputFormatClass(Class<? extends InputFormat> cls
                                ) throws IllegalStateException {
  ensureState(JobState.DEFINE);
  conf.setClass(INPUT_FORMAT_CLASS_ATTR, cls,
                InputFormat.class);
}

这里有一个很重要的类InputFormat，它位于“package org.apache.hadoop.mapreduce”中，一共包含两种方法getSplits和createRecorecordReader

@InterfaceAudience.Public
@InterfaceStability.Stable
public abstract class InputFormat<K, V> {

   //对输入的数据进行分片
  public abstract  List<InputSplit> getSplits(JobContext context ) throws IOException, InterruptedException;

  //获取分片中的数据
  public abstract RecordReader<K,V> createRecordReader(InputSplit split,TaskAttemptContext context   ) throws IOException, InterruptedException;
}

getSplits对输入数据进行切片，最终获取一个InputSplit的返回列表。

@InterfaceAudience.Public
@InterfaceStability.Stable
public abstract class InputSplit {
	//获取分片split的大小，以便分片按其排序，并返回分片的字节数据
  public abstract long getLength() throws IOException, InterruptedException;
	//获取分片所在本地的命名列表(本地不需要序列化)，并返回一个新的节点数组
  public abstract  String[] getLocations() throws IOException, InterruptedException;
  //返回分片数据存储每一个位置的拆分信息列表，如果是空值表示所有的位置都有数组存储在磁盘上
  @Evolving
  public SplitLocationInfo[] getLocationInfo() throws IOException {
    return null;
  }
}

createRecorder方法获得一个RecordReader的返回值源码信息如下

@InterfaceAudience.Public
@InterfaceStability.Stable
public abstract class RecordReader<KEYIN, VALUEIN> implements Closeable {
 //初始化调用一次.
  public abstract void initialize(InputSplit split, TaskAttemptContext context ) throws IOException, InterruptedException;
//判断下一个key/value是否存在，如果存在则返回true
  public abstract  boolean nextKeyValue() throws IOException, InterruptedException;
  //获取当前的key。如果存在，则返回true
  public abstract KEYIN getCurrentKey() throws IOException, InterruptedException;
  //获取当前的值，返回读取的对象
  public abstract  VALUEIN getCurrentValue() throws IOException, InterruptedException;
  //记录 record reader通过数据的当前处理进度，返回0.0~1.0之间的数字。用于标记当前的进度。
  public abstract float getProgress() throws IOException, InterruptedException;
  //关闭recorde reader
  public abstract void close() throws IOException;
}

Recorder主要的功能是将数据拆分成KV对，然后传递给Map任务。

TextInputFormat

输入采用的默认格式，如果Job对象不指定，系统默认会运行它，如果指定的话：

job.setInputFormatClass(TextInputFormat.class);

TextInputFormat包含RecordReader和isSplitable两种方法位于package org.apache.hadoop.mapreduce.lib.input;

@InterfaceAudience.Public
@InterfaceStability.Stable
public class TextInputFormat extends FileInputFormat<LongWritable, Text> {
//定义文本的读取方式，是通过RecordReader返回的RecordReader<LongWritable, Text> 类实现的
  @Override
  public RecordReader<LongWritable, Text> createRecordReader(InputSplit split,TaskAttemptContext context) {
    String delimiter = context.getConfiguration().get(
        "textinputformat.record.delimiter");
    byte[] recordDelimiterBytes = null;
    if (null != delimiter)
      recordDelimiterBytes = delimiter.getBytes(Charsets.UTF_8);//采用UTF_8编码
    return new LineRecordReader(recordDelimiterBytes); //返回LineRecordReader实例
  }
//判断是否分片吗，如果分片返回true
  @Override
  protected boolean isSplitable(JobContext context, Path file) {
  //根据文件后缀名来查找文件file的相关压缩编码器
    final CompressionCodec codec =
      new CompressionCodecFactory(context.getConfiguration()).getCodec(file);
    if (null == codec) {
      return true;// 没有压缩，返回true
    }
    //返回SplittableCompressionCodec的编码器实例。
    return codec instanceof SplittableCompressionCodec;
  }
}

TextInputFormat以(longWrite，Text)形式继承了FileinputFormat类的逻辑，重写了isSplittable方法():

protected boolean isSplitable(JobContext context, Path filename) {
  return true;
}

代码设定了默认分片的格式，在TextInputFormat类的isSplittable()方法，代码加入了压缩的判定，如果没有压缩，则设定为可分片，如果有压缩，返回的是分片压缩的解码器的实例。

createRecorderReader()是定义文本文件读取方式，实际文件读取时通过它返回的RecordReader(LongWritable,Text)的字类LineRecordReader的实例位于(package org.apache.hadoop.mapreduce.lib.input;)在源码的207行-215行

@Override
 public LongWritable getCurrentKey() { //指定获取key类型 Mapper获取输入key的类型
   return key;
 }

 @Override
 public Text getCurrentValue() {  //指定获取value的类型也就是Mapper要获取输入value的类型
   return value;
 }

如果该条数据存在两个Block中

public void initialize(InputSplit genericSplit, TaskAttemptContext context) throws IOException {
   FileSplit split = (FileSplit) genericSplit;
   Configuration job = context.getConfiguration();
   this.maxLineLength = job.getInt(MAX_LINE_LENGTH, Integer.MAX_VALUE);
   start = split.getStart();
   end = start + split.getLength();
   final Path file = split.getPath();

   final FileSystem fs = file.getFileSystem(job);
   fileIn = fs.open(file);

   CompressionCodec codec = new CompressionCodecFactory(job).getCodec(file);
   if (null!=codec) {
     isCompressedInput = true;
     decompressor = CodecPool.getDecompressor(codec);
     if (codec instanceof SplittableCompressionCodec) {
       final SplitCompressionInputStream cIn =
         ((SplittableCompressionCodec)codec).createInputStream(
           fileIn, decompressor, start, end,
           SplittableCompressionCodec.READ_MODE.BYBLOCK);
       in = new CompressedSplitLineReader(cIn, job,
           this.recordDelimiterBytes);
       start = cIn.getAdjustedStart();
       end = cIn.getAdjustedEnd();
       filePosition = cIn;
     } else {
       in = new SplitLineReader(codec.createInputStream(fileIn,
           decompressor), job, this.recordDelimiterBytes);
       filePosition = fileIn;
     }
   } else {
     fileIn.seek(start);
     in = new UncompressedSplitLineReader(
         fileIn, job, this.recordDelimiterBytes, split.getLength());
     filePosition = fileIn;
   }
  //if的判断条件是start != 0,即从第二行开始读取数据，那么第一行数据去哪里么呢
   if (start != 0) {
     start += in.readLine(new Text(), 0, maxBytesToConsume(start));
   }
   this.pos = start;
 }

为了保证数据的第一行被切断的时候正确读取，并没有判断数据是否被切断，而是一视同仁地除了第一个split，其他所有split都经过if的判定，全部从第二行开始读数据，当然到达split结尾时总是再多读一行，这样就避开了数据被切断的烦恼。如果最后一个split的结尾没有下一行了呢：

public boolean nextKeyValue() throws IOException {
   if (key == null) {
     key = new LongWritable();
   }
   key.set(pos);
   if (value == null) {
     value = new Text();
   }
   int newSize = 0;
   // 使用的判定条件计算当前位置小于或等于split的结尾位置，即当前已处于split的结尾位置时，while依然会再执行一次，那么结束，这样就解决了InputSplit读取的跨界问题。
   // split limit i.e. (end - 1)
   while (getFilePosition() <= end || in.needAdditionalRecordAfterSplit()) {
     if (pos == 0) {
       newSize = skipUtfByteOrderMark();
     } else {
       newSize = in.readLine(value, maxLineLength, maxBytesToConsume(pos));
       pos += newSize;
     }

     if ((newSize == 0) || (newSize < maxLineLength)) {
       break;
     }

     // line too long. try again
     LOG.info("Skipped line of size " + newSize + " at pos " +
              (pos - newSize));
   }
   if (newSize == 0) {
     key = null;
     value = null;
     return false;
   } else {
     return true;
   }
 }

优化策略

作为Mapper输入，分片是一个很重要的环节，它主要将HDFS上的Block再进行Map计算之前进行逻辑划分，通常情况下分片大小和HDFS的Block块大小一样，也可以自定义。

/**
   *isSplitable方法确定文件是否分片
   *如果文件可以拆分，此处设定分片为真
   *否则如压缩文件不持支拆分的，则不进行拆分
   */
protected boolean isSplitable(JobContext context, Path filename) {
    return true;
  }

  public static void setInputPathFilter(Job job, Class<? extends PathFilter> filter) {
    job.getConfiguration().setClass(PATHFILTER_CLASS, filter, PathFilter.class);
  }

  public static void setMinInputSplitSize(Job job,long size) {
    job.getConfiguration().setLong(SPLIT_MINSIZE, size);
  }
  /**
  *获取由格式强加的分片大小的下限，默认值是1。
  */
  public static long getMinSplitSize(JobContext job) {
    return job.getConfiguration().getLong(SPLIT_MINSIZE, 1L);
  }

  public static void setMaxInputSplitSize(Job job, long size) {
    job.getConfiguration().setLong(SPLIT_MAXSIZE, size);
  }
  //返回一个分片中最大的有效字符数
  public static long getMaxSplitSize(JobContext context) {
    return context.getConfiguration().getLong(SPLIT_MAXSIZE, Long.MAX_VALUE);
  }

  public static PathFilter getInputPathFilter(JobContext context) {
    Configuration conf = context.getConfiguration();
    Class<?> filterClass = conf.getClass(PATHFILTER_CLASS, null,
        PathFilter.class);
    return (filterClass != null) ?
        (PathFilter) ReflectionUtils.newInstance(filterClass, conf) : null;
  }

  protected List<FileStatus> listStatus(JobContext job
                                        ) throws IOException {
    Path[] dirs = getInputPaths(job);
    if (dirs.length == 0) {
      throw new IOException("No input paths specified in job");
    }
//用getSplits方法生成文件列表并将其制作成FileSplits
  public List<InputSplit> getSplits(JobContext job) throws IOException {
//返回getFormatMinSplitSize，getMinSplitSize的较大值。
    StopWatch sw = new StopWatch().start();
    long minSize = Math.max(getFormatMinSplitSize(), getMinSplitSize(job));
    long maxSize = getMaxSplitSize(job);
_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _
 for (FileStatus file: files) {
 	//文件分片为真的话进行分片大小的计算
      Path path = file.getPath();
      long length = file.getLen();
      if (length != 0) {
        BlockLocation[] blkLocations;
        if (file instanceof LocatedFileStatus) {
          blkLocations = ((LocatedFileStatus) file).getBlockLocations();
        } else {
          FileSystem fs = path.getFileSystem(job.getConfiguration());
          blkLocations = fs.getFileBlockLocations(file, 0, length);
        }
        //文件分片为真的话，进行分片大小的计算。
        if (isSplitable(job, path)) {
          long blockSize = file.getBlockSize();
          long splitSize = computeSplitSize(blockSize, minSize, maxSize);

          long bytesRemaining = length;
          while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {
            int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
            splits.add(makeSplit(path, length-bytesRemaining, splitSize,
                        blkLocations[blkIndex].getHosts(),
                        blkLocations[blkIndex].getCachedHosts()));
            bytesRemaining -= splitSize;
          }

_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _

//分片大小的计算
 protected long computeSplitSize(long blockSize, long minSize,long maxSize) {
    return Math.max(minSize, Math.min(maxSize, blockSize));
  }

最小分片大小通常是1个字节，最大分片大小默认是由Java的long类型表示的最大值(Long.MAX_VALUE),只有把它的值设置成小于HDFS Block才有效果。computeSplitSize(blockSize, minSize, maxSize)计算分片的的大小。再默认情况下minSize<blockSize<maxSize。因此分片通常情况下就是HDFS的Block块的大小。

这些值可以通过mapred.min.split.size、mapred.min.split.size、mapred.max.split.size和dfs.block.size，进行设定。

默认情况下 TextInputformat 对任务的切片机制是按文件规划切片，不管文件多小，都会是一个单独的切片，都会交给一个 maptask，这样如果有大量小文件，就会产生大量的maptask，处理效率极其低下。
（1）最好的办法，在数据处理系统的最前端（预处理/采集），将小文件先合并成大文件，再上传到 HDFS 做后续分析。
（2）补救措施：如果已经是大量小文件在 HDFS 中了，可以使用另一种
InputFormat来做切片。（CombineTextInputFormat），它的切片逻辑跟 TextFileInputFormat
不同：它可以将多个小文件从逻辑上规划到一个切片中，这样，多个小文件就可以交给一个 maptask。
（3）优先满足最小切片大小，不超过最大切片大小 。

CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);// 4m   CombineTextInputFormat.setMinInputSplitSize(job, 2097152);// 2m
// 举例：0.5m+1m+0.3m+5m=2m + 4.8m=2m + 4m + 0.8m

//  如果不设置 InputFormat,它默认用的是 TextInputFormat.class
job.setInputFormatClass(CombineTextInputFormat.class) CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);// 4m
CombineTextInputFormat.setMinInputSplitSize(job, 2097152);// 2m

分区

分区是划分键值空间，Partitioner负责控制Map输出结果key的分隔，key(或者key子集)被用于产生分区，通常使用Hash函数。分区的数目与一个作业的Reduce任务的数目时一样的，因此，Partitioner控制将中间过程key（也就是这条记录）发送给m个Reduce任务中的哪一个来进行Reduce操作，它位于“org.apche.hadoop.mapreduce”中：

public abstract class Partitioner<KEY, VALUE> {
  public abstract int getPartition(KEY key, VALUE value, int numPartitions);
}

HashPartitioner

它位于“org.apache.hadoop.mapreduce.lib.partition”中式是默认的Partition。

public class HashPartitioner<K, V> extends Partitioner<K, V> {
  public int getPartition(K key, V value, int numReduceTasks) {
    return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;
  }
}

其中key和value式Map的输出的（K,V）numReduceTasks式Reduce的任务数。Job的Reduce任务数可以指定：

job.setNumberTask(3);//设定Reduce任务数量

此时getPartition的numReduceTasks值为3.

用key.hashCode() 和 Integer.MAX_VALUE) 进行与操作，保证了数据的整数表达，再和numReduceTasks进行取余操作，保证了key值被大致分配给相应的Reduce任务，保证任务分配的均衡性。

job.setPartitionerClass(HashPartitioner.class);

此代码不写，默认是HashPartitioner。

TotalOrderPartitioner

分区过程通过从外部生成的源文件中读取分割点来影响总体顺序。这个类可以实现输出的全排序。这个类不是基于Hash的。他的getPartitione方法如下：

public int getPartition(K key, V value, int numPartitions) {
  return partitions.findPartition(key);
}

KeyFieldBasedPartitioner

KeyFieldBasedPartitioner是基于Hash的Partitioner，它提供了多个区间计算Hash，当区间数为0时，KeyFieldBasedPartitioner退化成HashPartitioner：

public int getPartition(K2 key, V2 value, int numReduceTasks) {
    byte[] keyBytes;

    List <KeyDescription> allKeySpecs = keyFieldHelper.keySpecs();
    if (allKeySpecs.size() == 0) {
      return getPartition(key.toString().hashCode(), numReduceTasks);
    }

    try {
      keyBytes = key.toString().getBytes("UTF-8");
    } catch (UnsupportedEncodingException e) {
      throw new RuntimeException("The current system does not " +
          "support UTF-8 encoding!", e);
    }
    // return 0 if the key is empty
    if (keyBytes.length == 0) {
      return 0;
    }

    int []lengthIndicesFirst = keyFieldHelper.getWordLengths(keyBytes, 0,
        keyBytes.length);
    int currentHash = 0;
    for (KeyDescription keySpec : allKeySpecs) {
      int startChar = keyFieldHelper.getStartOffset(keyBytes, 0,
        keyBytes.length, lengthIndicesFirst, keySpec);
       // no key found! continue
      if (startChar < 0) {
        continue;
      }
      int endChar = keyFieldHelper.getEndOffset(keyBytes, 0, keyBytes.length,
          lengthIndicesFirst, keySpec);
      currentHash = hashCode(keyBytes, startChar, endChar,
          currentHash);
    }
    return getPartition(currentHash, numReduceTasks);
  }

BinaryPartitioner

BinaryPartitioner继承Partitioner 是Partitioner的偏特化子类该类提供两个偏移量：

mapreduce.partition.binarypartitioner.left.offset  //数组左偏移量（默认为0）
mapreduce.partition.binarypartitioner.right.offset //数组右偏移量(默认为0)
leftOffset = conf.getInt(LEFT_OFFSET_PROPERTY_NAME, 0);
rightOffset = conf.getInt(RIGHT_OFFSET_PROPERTY_NAME, -1);

在计算任何一个Reduce任务是仅仅对键值K的[rightOffset,leftOffset]这个区间区Hash。分区BinaryComparable键使用BinaryComparable键使用BinaryComparable.getBytes()返回的bytes数组的可配置部分。它的部分源码如下：

  public int getPartition(BinaryComparable key, V value, int numPartitions) {
    int length = key.getLength();
    int leftIndex = (leftOffset + length) % length;
    int rightIndex = (rightOffset + length) % length;
    int hash = WritableComparator.hashBytes(key.getBytes(),
      leftIndex, rightIndex - leftIndex + 1);
    return (hash & Integer.MAX_VALUE) % numPartitions;
  }
}

自定义Partition

public class MyPartitioner extends Partitioner<Text, Text> { //定义分区名
    @Override
    public int getPartition(Text key, Text value, int numReduceTasks) {//重写分区防火阀
        return (Integer.parseInt(key.toString()) & Integer.MAX_VALUE) % numReduceTasks;
    }
}

job中引用自定义分区

job.setPartitionerClass(MyPartitioner.class);

排序

排序Sort式MapReduce计算中的核心部分，默认按照字典排序，优势按照业务需求，就需要自定义排序，自定义排序编写排序时候要继承WritableComparator类，重写compare计算方法，对于接收key类型可以通过当前的构造方法super来指定。

public class MySort extends WritableComparator {				//自定义排序名称
    public MySort() {
        super(IntWritable.class, true); //因为Shuffle过程是以key进行排序，这里指定keytWritablel类型
    }
    @Override
    public int compare(WritableComparable a, WritableComparable b) { //重写compare方法
        IntWritable v1 = (IntWritable) a;
        IntWritable v2 = (IntWritable) b;
        return v2.compareTo(v1);
    }
}

job中引用自定义排序

job.setSortComparatorClass(MySort.class);

分组

默认情况下，reduce方法每次接收的是一组相同key的value值，所以每个reduce方法每次只能通过相同key所对应的值进行计算。但有时用户会期望不同的key所对应的value值能再一次reduce方法调用时进行操作。这样的期望与默认的行为不符合，此时需要用户进行自定义分组的操作。

public class MyGroupSort extends WritableComparator {	//定义分组名称
    public MyGroupSort() {
        super(IntWritable.class, true); //指定key的writable类型
    }

    @Override   //重写compare方法
    public int compare(WritableComparable a, WritableComparable b) {
        IntWritable v1 = (IntWritable) a;
        IntWritable v2 = (IntWritable) b;

        if (v1.get() > 10) {
            return 0;   //表示同一数组
        } else {
            return -1; //代表不是同一数组
        }
    }
}

job中引用自定义分组

job.setGroupingComparatorClass(MyGroupSort.class);

Combiner

Shuffle运行原理可以知道，启用Combiner可以减少磁盘和网络的IO，Combiner时相当于本地的Reduce进行计算，把相同 的key累加在一起，如果再RPC传输之前把相同的key进行规约。即不应先给最终的结果，又可以减轻网络传输压力。

Combiner实现了在RPC传输之前对相同key的值进行了一次类似Reduce的计算操作，累加了值。然后把key和累加后的值作为k v通过RPC传输给Reduce。

public class WordCount_combiner_job {

    public static class WordCountMap extends Mapper<LongWritable, Text, Text, IntWritable> {
        @Override
        protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
            System.out.println("split:<" + key + ":  " + value + ">");

            String[] words = value.toString().split(" ");
            for (String word : words) {
                System.out.println("split:<" + key + ":  " + word + ">");
                context.write(new Text(word), new IntWritable(1));

            }
        }
    }

    public static class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
        @Override
        protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
            int total = 0;
            for (IntWritable value : values) {
                total += value.get();
            }
            context.write(key, new IntWritable(total));
        }
    }

    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {

        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf); //获取环境变量

        job.setJarByClass(WordCount_combiner_job.class); //设置jar包
        job.setJobName("WordCount");
        job.setMapperClass(WordCountMap.class); //map作业
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);

        job.setCombinerClass(WordCountReducer.class);//在此处设置ombinerClass
        job.setReducerClass(WordCountReducer.class); //reduce作业
        job.setOutputKeyClass(Text.class); // k
        job.setOutputValueClass(IntWritable.class); //v

        FileInputFormat.setInputPaths(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        job.waitForCompletion(true);

    }

}

SVG业务

有些业务在应用Combiner时必须仔细考虑一些问题，否则就会出错：

avg1.txt                       avg2.txt
20							 25
10							 17
3

错误代码

import org.apache.hadoop.conf.Configuration;
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 java.io.IOException;

public class TxSVG_Erro_job {
    public static class TxSVGMapper extends Mapper<LongWritable, Text, IntWritable, IntWritable> {

        @Override
        protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
            context.write(new IntWritable(1), new IntWritable(Integer.parseInt(value.toString())));
        }
    }

    public static class TxSVGReducer extends Reducer<IntWritable, IntWritable, IntWritable, IntWritable> {

        @Override
        protected void reduce(IntWritable key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
            int totoal = 0;
            int count = 0;
            for (IntWritable value : values) {
                totoal += value.get();
                count++;
            }
            context.write(new IntWritable(1), new IntWritable(totoal / count));
        }
    }

    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        Configuration conf = new Configuration(); //获取环境变量
        Job job = Job.getInstance(conf);    //实例化任务

        job.setJobName("AVG_ERRO");  //设置任务名
        job.setJarByClass(TxSVG_Erro_job.class); //设置指定jar

        job.setOutputKeyClass(IntWritable.class);  //设置输出k
        job.setOutputValueClass(IntWritable.class); //设置输出v

        job.setMapperClass(TxSVGMapper.class); //设置map类

        job.setCombinerClass(TxSVGReducer.class);
        job.setReducerClass(TxSVGReducer.class);

        FileInputFormat.setInputPaths(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        job.waitForCompletion(true);
    }

计算如图：

正确的结果应该是(20+10+3+25+17)/5=15，

但是WordCOunt应用Combiner的求法求SVG会出现错误，如果代码不变的情况下去掉 job.setCombinerClass(TxSVGReducer.class);可以提获得正确的结果，但是如果去掉COmbiner，整个数据都会全给一个Reduce计算，如果数据量大会导致Reduce任务所在的节点资源会出现宕机。

思路

1. 定义一个Writable用于存储数据量的值的平均值
2. 计算总和，用Writable中的数据乘以品滚之来反推回总值。
3. 计算平均值,平均值=综合/总共数据量。

TxtSVG_Writable

import org.apache.hadoop.io.Writable;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;

public class TxtSVG_Writable implements Writable {
    private int count = 0;
    private int average = 0;

    public int getCount() {
        return count;
    }

    public void setCount(int count) {
        this.count = count;
    }

    public int getAverage() {
        return average;
    }

    public void setAverage(int average) {
        this.average = average;
    }

    @Override
    public String toString() {
        return count + "\t" + average;
    }

    public void readFields(DataInput in) throws IOException {
        count = in.readInt();
        average = in.readInt();
    }

    public void write(DataOutput out) throws IOException {
        out.writeInt(count);
        out.writeInt(average);
    }
}

TxtSVG_TRUE_job

public class TxtSVG_TRUE_job {
    public static class SVGMapper extends Mapper<LongWritable, Text, IntWritable, TxtSVG_Writable> {
        private TxtSVG_Writable w = new TxtSVG_Writable();

        @Override
        protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
            w.setCount(1);
            w.setAverage(Integer.parseInt(value.toString()));
            context.write(new IntWritable(1), w);

        }
    }

    public static class SVGReduce extends Reducer<IntWritable, TxtSVG_Writable, IntWritable, TxtSVG_Writable> {
        private TxtSVG_Writable result = new TxtSVG_Writable();

        @Override
        protected void reduce(IntWritable key, Iterable<TxtSVG_Writable> values, Context context) throws IOException, InterruptedException {
            int sum = 0;
            int count = 0;
            for (TxtSVG_Writable value : values) {
                sum += value.getCount() * value.getAverage();
                count += value.getCount();
            }
            result.setCount(count);
            result.setAverage(sum / count);
            context.write(key, result);
        }
    }

    public static void main(String[] args) throws Exception {
        Configuration configuration = new Configuration(); //获取环境变量
        Job job = Job.getInstance(configuration); //实例化任务

       job.setJobName("TRUE_AVG");//设置任务名称

        job.setJarByClass(TxtSVG_TRUE_job.class);  //设置运行Jar类型
        job.setOutputKeyClass(IntWritable.class); //输出Key格式
        job.setOutputValueClass(TxtSVG_Writable.class);//设置Value格式

        job.setMapperClass(SVGMapper.class);//设置mapper
        job.setCombinerClass(SVGReduce.class);//Combiner在本地运行
        job.setReducerClass(SVGReduce.class);//设置Reducer

        FileInputFormat.setInputPaths(job, new Path(args[0])); //设置输入路径
        FileOutputFormat.setOutputPath(job, new Path(args[1]));//设置输出路径

        job.waitForCompletion(true);
    }

}

平均值最麻烦的情况就是分子和计算的时候，一定用总和除以数据总量，因为错误的代码Combiner运行在本地，总体把 分子和分母的关系处理错了，导致结果出错，总之就是无论什么时候都要保证总和和总数量不能错。

OutPutFormat

源码包位于包“package org.apache.hadoop.mapreduce;”中，是一个抽象类，能够设置文件的输出格式，完成输出规范检查，并未文件输出格式提供作业结果数据输出的功能。

NullOutputFormat

继承OutputFormat的类的一个抽象类，位于org.apache.hadoop.mapreduce.lib.output;

/**
 * Consume all outputs and put them in /dev/null.
 */
@InterfaceAudience.Public
@InterfaceStability.Stable
public class NullOutputFormat<K, V> extends OutputFormat<K, V>

消耗所有的输出，并把键值对写入/dev/null。相当于舍弃他们。

FileOutputFormat

位于org.apache.hadoop.mapreduce.lib.output;是一个从FileSystem读取数据的基类。有子类MapFileOutputFormat，SequenceFileOutputFormat、TextOutputFormat。

FileOutputFormat

提供了若干静态方法，用户可以用他们进行设置输入路径设置、分块大小设置等全局设置。

MapFileOutputFormat

把MapFile作为输出。需要确保Reducer输出的key已经排好序。

SequenceFileOutputFormat

SequenceFileOutputFormat将他的输出写进一个二进制顺序文件。容易压缩，如果为后续MapReduce任务的输出，是很好的输出格式。

TextOutputFormat

在FileOutputFormat所有的子类中，TextOutputFormat类是默认的输出格式，将每条记录记录写成文本行。由于TextOutputFormat调用toString()方法把键和值转换成任意类型。

FilterOutputFormat

对OutputFormat的再一次封装，类似于Java的流的Filter方式

对OutputFormat的输出可以自定义编写他的格式，自定义InputFormat类似首先要继承FileOutputFormat然后重写getRecordWrite方法，返回值类型是RecordeWriter。OutputFormat输出可以指定多路径。和Reduce任务数联系密切，当Reduce任务书为1时，分区数多于1也能运行，也就是说Reduce任务数大于1时，它于分区数必须时保持一致的。

DBOutputFormat

继承OutputFormat接收 K V 对，其中key的继承类DBWritable接口，OutputFormat将Reduce输出发送到SQL表。DBOutPutFormat返回的RecordWriter值使用批量SQL查询写入数据库。

实例分区

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Partitioner;

public class MyPartitioner extends Partitioner<Text, IntWritable> {
    public int getPartition(Text key, IntWritable value, int numPartitions) {
        if (key.toString().equals("bye")) { //key 为bye 进度第0分区
            return 0;
        } else if (key.toString().equals("hello")) {  //key为hello进度第1分区
            return 1;
        } else if (key.toString().equals("hadoop")) { //key为hadoop 进度第2分区
            return 2;
        } else {
            return 3; //其他的进入第3分区
        }
    }
}

import org.apache.hadoop.conf.Configuration;
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 java.io.IOException;

public class TxtCounter_job {
    public static class wordCountMap extends Mapper<LongWritable, Text, Text, IntWritable> {
        @Override
        protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
            String[] words = value.toString().split(" ");

            for (String word : words) {
                context.write(new Text(word), new IntWritable(1));
            }
        }
    }
        public static class WordCountReduce extends Reducer<Text, IntWritable, Text, IntWritable> {
            @Override
            protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
                int sum = 0;
                for (IntWritable value : values) {
                    System.out.println("<" + key + ":  " + value + ">");
                    sum += value.get();
                }
                context.write(key, new IntWritable(sum));
            }
        }

    public static void main(String[] args) throws Exception {

        Configuration conf = new Configuration();  //获取环境变量
        Job job = Job.getInstance(conf); //实例化任务

        job.setJarByClass(TxtCounter_job.class); //设定jar类型

        job.setOutputKeyClass(Text.class); //设置输出key格式
        job.setOutputValueClass(IntWritable.class); //设置value格式

        job.setMapperClass(wordCountMap.class); //设置Mapper类
        job.setReducerClass(WordCountReduce.class); //设置reduce类

        job.setPartitionerClass(MyPartitioner.class); //自定义分区

        job.setNumReduceTasks(4); //设置reduce任务数量
        FileInputFormat.setInputPaths(job, new Path(args[0])); //添加输入路径
        FileOutputFormat.setOutputPath(job, new Path(args[1])); // 添加输出路径

        job.waitForCompletion(true);
    }
}