在之前的博客《MapReduce中shuffle阶段概述及计算任务流程》,小菌为大家分享了MapReduce的整体计算任务流程以及shuffle阶段主要的作用。本篇博客小菌将针对MapReduce流程中的第2步——split逻辑切分与第7步——合并做一个知识面的拓展。
Split的逻辑切分
在MapReduce任务流程中第一步获取到数据后,split对数据进行逻辑切分,切分的大小是128M。这里的128 与 HDFS 数据块的128 没有任何关系。 HDFS 128 是存储层面的数据,split 128 是计算层面的 128, 只不过数据恰好相等。 两个128 相同的原因是,一个集成程序能够正好计算一个数据块!
MapReduce的combiner
每一个 map 都可能会产生大量的本地输出，Combiner 的作用就是对map 端的输出先做一次合并，以减少在 map 和 reduce 节点之间的数据传输量，以提高网络IO 性能，是 MapReduce 的一种优化手段之一。
combiner 是 MR 程序中 Mapper 和 Reducer 之外的一种组件,组件的父类就是 Reducer。
combiner 和 reducer 的区别在于运行的位置： Combiner 是在每一个 maptask 所在的节点运行 Reducer 是接收全局所有 Mapper 的输出结果；
combiner 的意义就是对每一个 maptask 的输出进行局部汇总，以减小网络传输量
让我们通过两张图来看下未使用combiner和使用combiner的网络开销的大致情况!
未使用combiner的网络开销
使用combiner的网络开销
可以很明显的看出在combiner阶段,通过合并同一个区中相同key的value值,减小了后续的数据传输，从而提高了网络的io!
但在MapReduce中,combiner是默认不开启的。为什么呢?是因为数据合并并不适用所有的业务需求,如果是计算个数,求和combiner还能发挥它的优势!但如果是求平均数,combiner必不可免的会影响到最终的结果，使结果变得不可靠!所以当我们需要到combiner时,需要手动开启。
具体实现步骤: 1、自定义一个 combiner 继承 Reducer，重写 reduce 方法 2、在 job 中设置： job.setCombinerClass(CustomCombiner.class)
combiner 能够应用的前提是不能影响最终的业务逻辑。而且，combiner 的输出 kv 应该跟 reducer 的输入 kv 类型要对应起来。
本次的分享就到这里了,大家有什么疑惑或者好的建议可以在评论区积极留言。受益的小伙伴们不要忘了点赞关注小菌哟~~
