一：合並（mapTask的合並）

使用合並的註意事項：

（1）合並是一種特殊的Reducer
（2）合並是在Mapper端執行一次合並，用於減少Mapper輸出到Reducer的數據量，可以提高效率。
（3）舉例：以WordCount為例
（4）註意：一定要謹慎使用Combiner，有些不能使用：求平均值
有Combiner，或者沒有Combiner，都不能改變Map和Reduce對應數據的類型

原理圖：

1：maptask並行度與決定機制

2 maptask工作機制

3：代碼改寫：使用上回的WordCount程序。添加如下代碼就行了

二：自定義分區

1：自定義一個Partition類（直接使用上次那個流量統計那個代碼）

package it.dawn.YARNPra.flow流量匯總序列化.partition;

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


/**
 * @author Dawn
 * @date 2019年5月3日22:03:08
 * @version 1.0
 * 自定義一個分區
 */
public class PhonenumPartitioner extends Partitioner<Text, FlowBean>{

	//根據手機號前三位進行分區
	@Override
	public int getPartition(Text key, FlowBean value, int numpartitions) {
		//1.獲取手機號前三位
		String phoneNum=key.toString().substring(0, 3);
		//2:分區
		int partitioner=4;
		
		if("135".equals(phoneNum)) {
			return 0;
		}else if("137".equals(phoneNum)){
			return 1;
		}else if("138".equals(phoneNum)) {
			return 2;
		}else if("139".equals(phoneNum)) {
			return 3;
		}
		
		return partitioner;
	}

}

2：在Driver類中添加Partiton的分區個數

3：運行結果

大數據學習之提交job流程，分區和合並11