Hadoop基础-MapReduce的Combiner用法案例

　　　　　　　　　　　　　　　　　　　　　　Hadoop基础-MapReduce的Combiner用法案例

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　作者：尹正杰

版权声明：原创作品，谢绝转载！否则将追究法律责任。

一.编写年度最高气温统计

　　如上图说所示：有一个temp的文件，里面存放的是每年的数据，该数据全部是文本内容，大小2M左右，我已将他放在百度云（链接：https://pan.baidu.com/s/1CEcHAXlII2kKxbn1dmTPKA 密码：jgp0），当你下载后，看到该文件的第15列到19列存放的是年份，而第87列到92列存放的是温度，注意999是无效值，需要排除! 最终测试实验结果如下：

　　其实这个跟我上次写的wordCount如出一辙，只需要稍微改动一下，就可以轻松实现这个统计结果，具体代码如下：

 /*
 @author :yinzhengjie
 Blog:http://www.cnblogs.com/yinzhengjie/tag/Hadoop%E8%BF%9B%E9%98%B6%E4%B9%8B%E8%B7%AF/
 EMAIL:y1053419035@qq.com
 */
 package cn.org.yinzhengjie.mapreduce.maxtemp;

 import org.apache.hadoop.io.IntWritable;
 import org.apache.hadoop.io.LongWritable;
 import org.apache.hadoop.io.Text;
 import org.apache.hadoop.mapreduce.Mapper;

 import java.io.IOException;

 /**
  *      我们定义的map端类为MaxTempMapper，它需要继承“org.apache.hadoop.mapreduce.Mapper.Mapper”，
  * 该Mapper有四个参数，前两个参数是指定map端输入key和value的数据类型，而后两个参数是指定map端输出
  * key和value的数据类型。
  */
 public class MaxTempMapper extends Mapper<LongWritable,Text,Text,IntWritable> {

     /**
      *
      * @param key               ： 表示输入的key变量。
      * @param value             ： 表示输入的value
      * @param context           ： 表示map端的上下文，它是负责将map端数据传给reduce。
      */
     @Override
     protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
         //得到一行数据
         String line = value.toString();
         //得到年份
         String year = line.substring(15, 19);
         //得到气温
         int temp = Integer.parseInt(line.substring(87, 92));
         //判断temp不能为9999
         if (temp != 9999){
             //通过上线文将yaer和temp发给reduce端
             context.write(new Text(year),new IntWritable(temp));
         }
     }
 }

MaxTempMapper.java 文件内容

 /*
 @author :yinzhengjie
 Blog:http://www.cnblogs.com/yinzhengjie/tag/Hadoop%E8%BF%9B%E9%98%B6%E4%B9%8B%E8%B7%AF/
 EMAIL:y1053419035@qq.com
 */
 package cn.org.yinzhengjie.mapreduce.maxtemp;

 import org.apache.hadoop.io.IntWritable;
 import org.apache.hadoop.io.Text;
 import org.apache.hadoop.mapreduce.Reducer;
 import java.io.IOException;

 /**
  *      我们定义的reduce端类为MaxTempReducer，它需要继承“org.apache.hadoop.mapreduce.Reducer.Reducer”，
  * 该Reducer有四个参数，前两个参数是指定map端输入key和value的数据类型，而后两个参数是指定map端输出
  * key和value的数据类型。
  */
 public class MaxTempReducer extends Reducer<Text,IntWritable,Text,IntWritable> {
     /**
      *
      * @param key               :  表示输入的key变量。这里的key实际上就是mapper端传过来的year。
      * @param values            ： 表示输入的value，这个变量是可迭代的，因此传递的是多个值。这个value实际上就是传过来的temp。
      * @param context           ： 表示reduce端的上下文，它是负责将reduce端数据传给调用者（调用者可以传递的数据输出到文件，也可以输出到下一个MapReduce程序。
      */
     @Override
     protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
         //给max变量定义一个最小的int初始值方便用于比较
         int max = Integer.MIN_VALUE;
         //由于输入端只有一个key，因此value的所有值都属于这个key的，我们需要做的是对value进行遍历并将所有数据进行相加操作，最终的结果就得到了同一个key的出现的次数。
         for (IntWritable value : values){
             //获取到value的get方法获取到value的值。然后和max进行比较，将较大的值重新赋值给max
             max = Math.max(max,value.get());
         }
         //我们将key原封不动的返回，并将key的values的所有int类型的参数进行折叠，最终返回单词书以及该单词总共出现的次数。
         context.write(key,new IntWritable(max));
     }
 }

MaxTempReducer.java 文件内容

 /*
 @author :yinzhengjie
 Blog:http://www.cnblogs.com/yinzhengjie/tag/Hadoop%E8%BF%9B%E9%98%B6%E4%B9%8B%E8%B7%AF/
 EMAIL:y1053419035@qq.com
 */
 package cn.org.yinzhengjie.mapreduce.maxtemp;

 import org.apache.hadoop.conf.Configuration;
 import org.apache.hadoop.fs.FileSystem;
 import org.apache.hadoop.fs.Path;
 import org.apache.hadoop.io.IntWritable;
 import org.apache.hadoop.io.Text;
 import org.apache.hadoop.mapreduce.Job;
 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
 import java.io.IOException;

 public class MaxTempApp {

     public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
         //实例化一个Configuration，它会自动去加载本地的core-site.xml配置文件的fs.defaultFS属性。(该文件放在项目的resources目录即可。)
         Configuration conf = new Configuration();
         //将hdfs写入的路径定义在本地，需要修改默认为文件系统，这样就可以覆盖到之前在core-site.xml配置文件读取到的数据。
         conf.set("fs.defaultFS","file:///");
         //创建一个任务对象job，别忘记把conf穿进去哟！
         Job job = Job.getInstance(conf);
         //给任务起个名字
         job.setJobName("WordCount");
         //指定main函数所在的类，也就是当前所在的类名
         job.setJarByClass(MaxTempApp.class);
         //指定map的类名,这里指定咱们自定义的map程序即可
         job.setMapperClass(MaxTempMapper.class);
         //指定reduce的类名，这里指定咱们自定义的reduce程序即可
         job.setReducerClass(MaxTempReducer.class);
         //设置输出key的数据类型
         job.setOutputKeyClass(Text.class);
         //设置输出value的数据类型
         job.setOutputValueClass(IntWritable.class);
         //设置输入路径，需要传递两个参数，即任务对象(job)以及输入路径
         FileInputFormat.addInputPath(job,new Path("D:\\10.Java\\IDE\\yhinzhengjieData\\MyHadoop\\MapReduce\\temp"));
         //初始化HDFS文件系统，此时我们需要把读取到的fs.defaultFS属性传给fs对象。我的目的是调用该对象的delete方法，删除已经存在的文件夹
         FileSystem fs = FileSystem.get(conf);
         //通过fs的delete方法可以删除文件，第一个参数指的是删除文件对象，第二参数是指递归删除，一般用作删除目录
         Path outPath = new Path("D:\\10.Java\\IDE\\yhinzhengjieData\\MyHadoop\\MapReduce\\out");
         if (fs.exists(outPath)){
             fs.delete(outPath,true);
         }
         //设置输出路径，需要传递两个参数，即任务对象(job)以及输出路径
         FileOutputFormat.setOutputPath(job,outPath);
         //等待任务执行结束,将里面的值设置为true。
         job.waitForCompletion(true);
     }
 }

MaxTempApp.java 文件内容

　　关于MapReduce处理的大致流程，我画了一个草图，如下：

　　上述代码实现过程很简单，用到了一个Map程序和一个Reduce程序，那么问题来了，不用Reduce程序也能实现相同的效果吗？只用一个Map程序就把这个这个事情搞定可以吗？答案是肯定的，我们只需用Combiner就可以帮我们实现，那什么是Combiner呢？Combiner就相当于Map端的Reduce，用于减少网络间分发，属于预聚合阶段。Combiner适用场景：不适用于平均值，适用于最大值，最小值等等。接下来我们一起来研究研究它。

二.Combiner

1>.Combiner适用场景

　　简单来说：Combiner相当于Map端的Reduce，用于减少网络间分发，属于预聚合阶段,不适用于平均值，适用于最大值，最小值等等。具体用法我都不啰嗦了，一切尽在注释中！

2>.只有一个Map的情况

　　在上面的截图中我已经简单的分析了MapReduce的大致关系，其实实际生成环境中一个Map和一个Reduce的情况并不能代表所有，而是很多情况都是多个Map和多个Reduce，为了方便说明，我这里就简单的画一个Map和一个Reduce的情况，如果想要了解单个Reduce或者多个Reduce以及没有Re

3>.实现代码

　　MaxTempMapper.java 文件内容如下：

 /*
 @author :yinzhengjie
 Blog:http://www.cnblogs.com/yinzhengjie/tag/Hadoop%E8%BF%9B%E9%98%B6%E4%B9%8B%E8%B7%AF/
 EMAIL:y1053419035@qq.com
 */
 package cn.org.yinzhengjie.mapreduce.maxtemp;

 import org.apache.hadoop.io.IntWritable;
 import org.apache.hadoop.io.LongWritable;
 import org.apache.hadoop.io.Text;
 import org.apache.hadoop.mapreduce.Mapper;

 import java.io.IOException;

 /**
  *      我们定义的map端类为MaxTempMapper，它需要继承“org.apache.hadoop.mapreduce.Mapper.Mapper”，
  * 该Mapper有四个参数，前两个参数是指定map端输入key和value的数据类型，而后两个参数是指定map端输出
  * key和value的数据类型。
  */
 public class MaxTempMapper extends Mapper<LongWritable,Text,Text,IntWritable> {

     /**
      *
      * @param key               ： 表示输入的key变量。
      * @param value             ： 表示输入的value
      * @param context           ： 表示map端的上下文，它是负责将map端数据传给reduce。
      */
     @Override
     protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
         //得到一行数据
         String line = value.toString();
         //得到年份
         String year = line.substring(15, 19);
         //得到气温
         int temp = Integer.parseInt(line.substring(87, 92));
         //判断temp不能为9999
         if (temp != 9999){
             //通过上线文将yaer和temp发给reduce端
             context.write(new Text(year),new IntWritable(temp));
         }
     }
 }

　　MaxTempReducer.java文件内容如下：

 /*
 @author :yinzhengjie
 Blog:http://www.cnblogs.com/yinzhengjie/tag/Hadoop%E8%BF%9B%E9%98%B6%E4%B9%8B%E8%B7%AF/
 EMAIL:y1053419035@qq.com
 */
 package cn.org.yinzhengjie.mapreduce.maxtemp;

 import org.apache.hadoop.io.IntWritable;
 import org.apache.hadoop.io.Text;
 import org.apache.hadoop.mapreduce.Reducer;
 import java.io.IOException;

 /**
  *      我们定义的reduce端类为MaxTempReducer，它需要继承“org.apache.hadoop.mapreduce.Reducer.Reducer”，
  * 该Reducer有四个参数，前两个参数是指定map端输入key和value的数据类型，而后两个参数是指定map端输出
  * key和value的数据类型。
  */
 public class MaxTempReducer extends Reducer<Text,IntWritable,Text,IntWritable> {
     /**
      *
      * @param key               :  表示输入的key变量。这里的key实际上就是mapper端传过来的year。
      * @param values            ： 表示输入的value，这个变量是可迭代的，因此传递的是多个值。这个value实际上就是传过来的temp。
      * @param context           ： 表示reduce端的上下文，它是负责将reduce端数据传给调用者（调用者可以传递的数据输出到文件，也可以输出到下一个MapReduce程序。
      */
     @Override
     protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
         //给max变量定义一个最小的int初始值方便用于比较
         int max = Integer.MIN_VALUE;
         //由于输入端只有一个key，因此value的所有值都属于这个key的，我们需要做的是对value进行遍历并将所有数据进行相加操作，最终的结果就得到了同一个key的出现的次数。
         for (IntWritable value : values){
             //获取到value的get方法获取到value的值。然后和max进行比较，将较大的值重新赋值给max
             max = Math.max(max,value.get());
         }
         //我们将key原封不动的返回，并将key的values的所有int类型的参数进行折叠，最终返回单词书以及该单词总共出现的次数。
         context.write(key,new IntWritable(max));
     }
 }

　　MaxTempApp.java文件内容如下：

 /*
 @author :yinzhengjie
 Blog:http://www.cnblogs.com/yinzhengjie/tag/Hadoop%E8%BF%9B%E9%98%B6%E4%B9%8B%E8%B7%AF/
 EMAIL:y1053419035@qq.com
 */
 package cn.org.yinzhengjie.mapreduce.maxtemp;

 import org.apache.hadoop.conf.Configuration;
 import org.apache.hadoop.fs.FileSystem;
 import org.apache.hadoop.fs.Path;
 import org.apache.hadoop.io.IntWritable;
 import org.apache.hadoop.io.Text;
 import org.apache.hadoop.mapreduce.Job;
 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
 import java.io.IOException;

 public class MaxTempApp {

     public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
         //实例化一个Configuration，它会自动去加载本地的core-site.xml配置文件的fs.defaultFS属性。(该文件放在项目的resources目录即可。)
         Configuration conf = new Configuration();
         //将hdfs写入的路径定义在本地，需要修改默认为文件系统，这样就可以覆盖到之前在core-site.xml配置文件读取到的数据。
         conf.set("fs.defaultFS","file:///");
         //创建一个任务对象job，别忘记把conf穿进去哟！
         Job job = Job.getInstance(conf);
         //给任务起个名字
         job.setJobName("WordCount");
         //指定main函数所在的类，也就是当前所在的类名
         job.setJarByClass(MaxTempApp.class);
         //指定map的类名,这里指定咱们自定义的map程序即可
         job.setMapperClass(MaxTempMapper.class);
         //指定Combiner的类名，这里指定咱们自定义的reduce程序即可,注意，咱们这里没有设置Reduce程序，只是用了Map和Combiner。
         job.setCombinerClass(MaxTempReducer.class);
         //设置输出key的数据类型
         job.setOutputKeyClass(Text.class);
         //设置输出value的数据类型
         job.setOutputValueClass(IntWritable.class);
         //设置输入路径，需要传递两个参数，即任务对象(job)以及输入路径
         FileInputFormat.addInputPath(job,new Path("D:\\10.Java\\IDE\\yhinzhengjieData\\MyHadoop\\MapReduce\\temp"));
         //初始化HDFS文件系统，此时我们需要把读取到的fs.defaultFS属性传给fs对象。我的目的是调用该对象的delete方法，删除已经存在的文件夹
         FileSystem fs = FileSystem.get(conf);
         //通过fs的delete方法可以删除文件，第一个参数指的是删除文件对象，第二参数是指递归删除，一般用作删除目录
         Path outPath = new Path("D:\\10.Java\\IDE\\yhinzhengjieData\\MyHadoop\\MapReduce\\out");
         if (fs.exists(outPath)){
             fs.delete(outPath,true);
         }
         //设置输出路径，需要传递两个参数，即任务对象(job)以及输出路径
         FileOutputFormat.setOutputPath(job,outPath);
         //等待任务执行结束,将里面的值设置为true。
         job.waitForCompletion(true);
     }
 }