Hadoop學習筆記—8.Combiner與自定義Combiner
一、Combiner的出現背景
1.1 回顧Map階段五大步驟
在第四篇博文《初識MapReduce》中,我們認識了MapReduce的八大步湊,其中在Map階段總共五個步驟,如下圖所示:
其中,step1.5是一個可選步驟,它就是我們今天需要了解的 Map規約 階段。現在,我們再來看看前一篇博文《計數器與自定義計數器》中的第一張關於計數器的圖:
我們可以發現,其中有兩個計數器:Combine output records和Combine input records,他們的計數都是0,這是因為我們在程式碼中沒有進行Map階段的規約操作。
1.2 為什麼需要進行Map規約操作
眾所周知,Hadoop框架使用Mapper將資料處理成一個個的<key,value>鍵值對,在網路節點間對其進行整理(shuffle),然後使用Reducer處理資料並進行最終輸出。
在上述過程中,我們看到至少兩個效能瓶頸:
(1)如果我們有10億個資料,Mapper會生成10億個鍵值對在網路間進行傳輸,但如果我們只是對資料求最大值,那麼很明顯的Mapper只需要輸出它所知道的最大值即可。這樣做不僅可以減輕網路壓力,同樣也可以大幅度提高程式效率。
總結:網路頻寬嚴重被佔降低程式效率;
(2)假設使用美國專利資料集中的國家一項來闡述資料傾斜這個定義,這樣的資料遠遠不是一致性的或者說平衡分佈的,由於大多數專利的國家都屬於美國,這樣不僅Mapper中的鍵值對、中間階段(shuffle)的鍵值對等,大多數的鍵值對最終會聚集於一個單一的Reducer之上,壓倒這個Reducer,從而大大降低程式的效能。
總結:單一節點承載過重降低程式效能;
那麼,有木有一種方案能夠解決這兩個問題呢?
二、初步探索Combiner
2.1 Combiner的橫空出世
在MapReduce程式設計模型中,在Mapper和Reducer之間有一個非常重要的元件,它解決了上述的效能瓶頸問題,它就是Combiner。
PS:
①與mapper和reducer不同的是,combiner沒有預設的實現,需要顯式的設定在conf中才有作用。
②並不是所有的job都適用combiner,只有操作滿足結合律的才可設定combiner。combine操作類似於:opt(opt(1, 2, 3), opt(4, 5, 6))。如果opt為求和、求最大值的話,可以使用,但是如果是求中值的話,不適用。
每一個map都可能會產生大量的本地輸出,Combiner的作用就是對map端的輸出先做一次合併,以減少在map和reduce節點之間的資料傳輸量,以提高網路IO效能,是MapReduce的一種優化手段之一,其具體的作用如下所述。
(1)Combiner最基本是實現本地key的聚合,對map輸出的key排序,value進行迭代。如下所示:
map: (K1, V1) → list(K2, V2)
combine: (K2, list(V2)) → list(K2, V2)
reduce: (K2, list(V2)) → list(K3, V3)
(2)Combiner還有本地reduce功能(其本質上就是一個reduce),例如Hadoop自帶的wordcount的例子和找出value的最大值的程式,combiner和reduce完全一致,如下所示:
map: (K1, V1) → list(K2, V2)
combine: (K2, list(V2)) → list(K3, V3)
reduce: (K3, list(V3)) → list(K4, V4)
PS:現在想想,如果在wordcount中不用combiner,那麼所有的結果都是reduce完成,效率會相對低下。使用combiner之後,先完成的map會在本地聚合,提升速度。對於hadoop自帶的wordcount的例子,value就是一個疊加的數字,所以map一結束就可以進行reduce的value疊加,而不必要等到所有的map結束再去進行reduce的value疊加。
2.2 融合Combiner的MapReduce
前面文章中的程式碼都忽略了一個可以優化MapReduce作業所使用頻寬的步驟—Combiner,它在Mapper之後Reducer之前執行。Combiner是可選的,如果這個過程適合於你的作業,Combiner例項會在每一個執行map任務的節點上執行。Combiner會接收特定節點上的Mapper例項的輸出作為輸入,接著Combiner的輸出會被髮送到Reducer那裡,而不是傳送Mapper的輸出。Combiner是一個“迷你reduce”過程,它只處理單臺機器生成的資料。
2.3 使用MyReducer作為Combiner
在前面文章中的WordCount程式碼中加入以下一句簡單的程式碼,即可加入Combiner方法:
// 設定Map規約Combiner job.setCombinerClass(MyReducer.class);
還是以下面的檔案內容為例,看看這次計數器會發生怎樣的改變?
(1)上傳的測試檔案的內容
hello edison
hello kevin
(2)除錯後的計數器日誌資訊
可以看到,原本都為0的Combine input records和Combine output records發生了改變。我們可以清楚地看到map的輸出和combine的輸入統計是一致的,而combine的輸出與reduce的輸入統計是一樣的。由此可以看出規約操作成功,而且執行在map的最後,reduce之前。
三、自己定義Combiner
為了能夠更加清晰的理解Combiner的工作原理,我們自定義一個Combiners類,不再使用MyReduce做為Combiners的類,具體的程式碼下面一一道來。
3.1 改寫Mapper類的map方法
public static class MyMapper extends Mapper<LongWritable, Text, Text, LongWritable> { protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, LongWritable>.Context context) throws java.io.IOException, InterruptedException { String line = value.toString(); String[] spilted = line.split(" "); for (String word : spilted) { context.write(new Text(word), new LongWritable(1L)); // 為了顯示效果而輸出Mapper的輸出鍵值對資訊 System.out.println("Mapper輸出<" + word + "," + 1 + ">"); } }; }
3.2 改寫Reducer類的reduce方法
public static class MyReducer extends Reducer<Text, LongWritable, Text, LongWritable> { protected void reduce(Text key, java.lang.Iterable<LongWritable> values, Reducer<Text, LongWritable, Text, LongWritable>.Context context) throws java.io.IOException, InterruptedException { // 顯示次數表示redcue函式被呼叫了多少次,表示k2有多少個分組 System.out.println("Reducer輸入分組<" + key.toString() + ",N(N>=1)>"); long count = 0L; for (LongWritable value : values) { count += value.get(); // 顯示次數表示輸入的k2,v2的鍵值對數量 System.out.println("Reducer輸入鍵值對<" + key.toString() + "," + value.get() + ">"); } context.write(key, new LongWritable(count)); }; }
3.3 新增MyCombiner類並重寫reduce方法
public static class MyCombiner extends Reducer<Text, LongWritable, Text, LongWritable> { protected void reduce( Text key, java.lang.Iterable<LongWritable> values, org.apache.hadoop.mapreduce.Reducer<Text, LongWritable, Text, LongWritable>.Context context) throws java.io.IOException, InterruptedException { // 顯示次數表示規約函式被呼叫了多少次,表示k2有多少個分組 System.out.println("Combiner輸入分組<" + key.toString() + ",N(N>=1)>"); long count = 0L; for (LongWritable value : values) { count += value.get(); // 顯示次數表示輸入的k2,v2的鍵值對數量 System.out.println("Combiner輸入鍵值對<" + key.toString() + "," + value.get() + ">"); } context.write(key, new LongWritable(count)); // 顯示次數表示輸出的k2,v2的鍵值對數量 System.out.println("Combiner輸出鍵值對<" + key.toString() + "," + count + ">"); }; }
3.4 新增設定Combiner的程式碼
// 設定Map規約Combiner job.setCombinerClass(MyCombiner.class);
3.5 除錯執行的控制檯輸出資訊
(1)Mapper
Mapper輸出<hello,1> Mapper輸出<edison,1> Mapper輸出<hello,1> Mapper輸出<kevin,1>
(2)Combiner
Combiner輸入分組<edison,N(N>=1)> Combiner輸入鍵值對<edison,1> Combiner輸出鍵值對<edison,1> Combiner輸入分組<hello,N(N>=1)> Combiner輸入鍵值對<hello,1> Combiner輸入鍵值對<hello,1> Combiner輸出鍵值對<hello,2> Combiner輸入分組<kevin,N(N>=1)> Combiner輸入鍵值對<kevin,1> Combiner輸出鍵值對<kevin,1>
這裡可以看出,在Combiner中進行了一次本地的Reduce操作,從而簡化了遠端Reduce節點的歸併壓力。
(3)Reducer
Reducer輸入分組<edison,N(N>=1)> Reducer輸入鍵值對<edison,1> Reducer輸入分組<hello,N(N>=1)> Reducer輸入鍵值對<hello,2> Reducer輸入分組<kevin,N(N>=1)> Reducer輸入鍵值對<kevin,1>
這裡可以看出,在對hello的歸併上,只進行了一次操作就完成了。
那麼,如果我們再來看看不新增Combiner時的控制檯輸出資訊:
(1)Mapper
Mapper輸出<hello,1> Mapper輸出<edison,1> Mapper輸出<hello,1> Mapper輸出<kevin,1>
(2)Reducer
Reducer輸入分組<edison,N(N>=1)> Reducer輸入鍵值對<edison,1> Reducer輸入分組<hello,N(N>=1)> Reducer輸入鍵值對<hello,1> Reducer輸入鍵值對<hello,1> Reducer輸入分組<kevin,N(N>=1)> Reducer輸入鍵值對<kevin,1>
可以看出,沒有采用Combiner時hello都是由Reducer節點來進行統一的歸併,也就是這裡為何會有兩次hello的輸入鍵值對了。
總結:從控制檯的輸出資訊我們可以發現,其實combine只是把兩個相同的hello進行規約,由此輸入給reduce的就變成了<hello,2>。在實際的Hadoop叢集操作中,我們是由多臺主機一起進行MapReduce的,如果加入規約操作,每一臺主機會在reduce之前進行一次對本機資料的規約,然後在通過叢集進行reduce操作,這樣就會大大節省reduce的時間,從而加快MapReduce的處理速度。
參考資料
(4)iPolaris,《Hadoop中Combiner的使用》:http://blog.csdn.net/ipolaris/article/details/8723782
作者:周旭龍
本文版權歸作者和部落格園共有,歡迎轉載,但未經作者同意必須保留此段宣告,且在文章頁面明顯位置給出原文連結。
相關推薦
Hadoop學習筆記—7.計數器與自定義計數器
一、Hadoop中的計數器 計數器:計數器是用來記錄job的執行進度和狀態的。它的作用可以理解為日誌。我們通常可以在程式的某個位置插入計數器,用來記錄資料或者進度的變化情況,它比日誌更便利進行分析。 例如,我們有一個檔案,其中包含如下內容: hello you hello me
Hadoop學習筆記—9.Partitioner與自定義Partitioner
一、初步探索Partitioner 1.1 再次回顧Map階段五大步驟 在第四篇博文《初識MapReduce》中,我們認識了MapReduce的八大步湊,其中在Map階段總共五個步驟,如下圖所示: 其中,step1.3就是一個分割槽操作。通過前面的學習我們知道Mapper最終處理的鍵值對&l
Hadoop學習筆記—8.Combiner與自定義Combiner
一、Combiner的出現背景 1.1 回顧Map階段五大步驟 在第四篇博文《初識MapReduce》中,我們認識了MapReduce的八大步湊,其中在Map階段總共五個步驟,如下圖所示: 其中,step1.5是一個可選步驟,它就是我們今天需要了解的 Map規約 階段。現在,我們再來看看前一
Hadoop的combiner學習與自定義combiner
Combiner的概念 Combiner號稱本地的Reduce,Reduce的輸入是Combiner的最終輸出。 在MapReduce中,當map生成的資料過大時,頻寬就成了瓶頸,怎樣精簡壓縮傳給Reduce的資料,有不影響最終的結果呢。有一種方法就是使用Combiner,Comb
Shader學習筆記(三)自定義光照模型,經典光照模型Lambert與HalfLambert
自定義光照模型 #pragma surface surfaceFaction lightModel surfaceFaction:著色器程式碼的方法的名字 lightModel:光照模型的名稱 自
AngularJs學習筆記(4)——自定義指令
ref 告訴 ack 生命周期 .com bsp ctrl 參數變量 ng- 對指令的第一印象:它是一個自定義標簽! 先來看一個簡單的指令: <!doctype html> <html ng-app="myApp"> <head>
django 筆記8 url模板 自定義函數 simple_tag
增刪改查 AI gis code core coo oct print sim 感謝alex老師~知識點: URL - 兩個沒見 url>路由系統> 函數或類 > 返回字符串 Form表單提交:
Ehcache學習筆記(2)--自定義ehcache工具類
二:自定義EhcacheUtils 1、CacheUtils package cn.kexq.commons.utils; import net.sf.ehcache.Cache; import net.sf.ehcache.CacheManager; import net.sf.eh
shiro學習筆記(3)--自定義realm、授權
一:自定義Realm 1、繼承AuthorizingRealm(因為該類中有認證、授權的抽象方法,實現簡單) public class MyRealm1 extends AuthorizingRealm{ @Override public String getName(
Android學習筆記之為Dialog自定義佈局,並說明空指標問題
分享一下我老師大神的人工智慧教程!零基礎,通俗易懂!http://blog.csdn.net/jiangjunshow 也歡迎大家轉載本篇文章。分享知識,造福人民,實現我們中華民族偉大復興!  
Vue:學習筆記(七)-自定義指令
提醒 原帖完整收藏於IT老兵驛站,並會不斷更新。 前言 前面總結到了元件,對混入也進行了研究,不過感覺沒有啥需要總結的,就先總結指令吧,參考這裡,記錄筆記。 正文 簡介 全域性註冊 // 註冊一個全域性自定義指令 `v-focus` Vue.di
Zynq-Linux移植學習筆記之31-使用者自定義I2C驅動
1、背景介紹 板子上通過ZYNQ的I2C-0控制器連線了三片DBF晶片和一片Ti的226測功耗晶片,示意圖如下: 如上圖所示,三塊DBF晶片的I2C地址分別為2,4,8,Ti 226晶片的I2C地址為0x40.現在需要ZYNQ通過I2C匯流排讀寫這四塊晶片的暫存器數值
springmvc學習筆記(26)——自定義型別轉換器
資料繫結流程 使用springmvc框架有諸多好處,其中較為突出的就是它的資料繫結。 當我們的前端傳過來一個表單的時候,我們只需要使用一個類物件(如Student物件)就接收,springmvc將幫我們把屬性一一對應的填充進去。這就是資料繫結。 資料繫結過程中,springmvc幫我們把前端
springmvc學習筆記(28)——自定義攔截器
1. 自定義攔截器 所謂的攔截器,就是用來攔截請求,因此我們可以對使用者發來的請求做處理。 寫一個類,實現攔截器的介面 import javax.servlet.http.HttpServletRequest; import javax.servlet.http.H
【轉】WPF自定義控制元件與樣式(8)-ComboBox與自定義多選控制元件MultComboBox
一.前言 申明:WPF自定義控制元件與樣式是一個系列文章,前後是有些關聯的,但大多是按照由簡到繁的順序逐步釋出的等。 本文主要內容: 下拉選擇控制元件ComboBox的自定義樣式及擴充套件; 自定義多選控制元件MultiComboBox; 二.下拉選擇控制元件ComboBox的自
類的學習筆記(3)——自定義裝飾器及裝飾器的理解
例一: 實現多加100 def fun1(x): def fun2(y): return x(y)+100 return fun2 #裝飾器 def ff(y): return y*y
react native學習筆記24——Modal實現自定義彈出對話方塊
前言 上一篇文章介紹React Native系統提供的兩個彈出框的api——Alert與AlertIOS,Alert可以在雙平臺通用,但是隻能展示資訊量有限功能單一的文字對話方塊。AlertIOS比Alert稍微豐富一點,可以展示供使用者輸入的對話方塊,但只能
iPhone開發學習筆記005——使用XIB自定義一個UIView,然後將這個view新增到controller的view
一、新建一個single view application型別的iOS application工程,名字取為CustomView,如下圖,我們不往CustomViewViewController.xib中新增任何控制元件: 二、新建一個CustomView.xib,過程如下:然後往介面上拖一個label和
Maven學習筆記(一)——自定義maven變數以及maven內建常量
在建立Maven工程後,外掛配置中通常會用到一些Maven變數,因此需要找個地方對這些變數進行統一定義,下面介紹如何定義自定義變數。 在根節點project下增加properties節點,所有自定義變數均可以定義在此節點內,如下所示: <!-- 全域性屬性配置 --
torch學習筆記1:實現自定義層
當我們要實現自己的一些idea時,torch自帶的模組和函式已經不能滿足,我們需要自己實現層(或者類),一般的做法是把自定義層加入到已有的torch模組中。 實現 lua實現 如果自定義層的功能可以通過呼叫torch中已有的函式實現,那就只需要用l