关于MapReduce中自定义Combine类（一）

MRJobConfig

public static fina COMBINE_CLASS_ATTR

属性COMBINE_CLASS_ATTR= "mapreduce.job.combine.class"

————子接口（F4） JobContent

方法getCombinerClass

————子实现类 JobContextImpl

实现getCombinerClass方法：

public Class<? extends Reducer<?,?,?,?>> getCombinerClass()

throws ClassNotFoundException {

return (Class<? extends Reducer<?,?,?,?>>)

conf.getClass(COMBINE_CLASS_ATTR, null);

}

因为JobContextImpl是MRJobConfig子类

所以得到了父类MRJobConfig的COMBINE_CLASS_ATTR属性

————子类Job

public void setCombinerClass(Class<? extends Reducer> cls

) throws IllegalStateException {

ensureState(JobState.DEFINE);

conf.setClass(COMBINE_CLASS_ATTR, cls, Reducer.class);

}

因为JobContextImpl是MRJobConfig子类,

而Job是JobContextImpl的子类

所以也有COMBINE_CLASS_ATTR属性

通过setCombinerClass设置了父类MRJobConfig的属性

MRJobConfig

————子接口JobContent

方法getCombinerClass

————子实现类 JobContextImpl

————子类 Job

————子实现类 TaskAttemptContext

继承了方法getCombinerClass

Task

$CombinerRunner(Task的内部类)

该内部类有方法create：

public static <K,V> CombinerRunner<K,V> create(JobConf job,

TaskAttemptID taskId,

Counters.Counter inputCounter,

TaskReporter reporter,

org.apache.hadoop.mapreduce.OutputCommitter committer

) throws ClassNotFoundException

{

Class<? extends Reducer<K,V,K,V>> cls =

(Class<? extends Reducer<K,V,K,V>>) job.getCombinerClass();

if (cls != null) {

return new OldCombinerRunner(cls, job, inputCounter, reporter);

}

// make a task context so we can get the classes

org.apache.hadoop.mapreduce.TaskAttemptContext taskContext =

new org.apache.hadoop.mapreduce.task.TaskAttemptContextImpl(job, taskId,

reporter);

Class<? extends org.apache.hadoop.mapreduce.Reducer<K,V,K,V>> newcls =

(Class<? extends org.apache.hadoop.mapreduce.Reducer<K,V,K,V>>)

taskContext.getCombinerClass();

if (newcls != null) {

return new NewCombinerRunner<K,V>(newcls, job, taskId, taskContext,

inputCounter, reporter, committer);

}

return null;

}

其中这一段应该是旧的API

Class<? extends Reducer<K,V,K,V>> cls =

(Class<? extends Reducer<K,V,K,V>>) job.getCombinerClass();

if (cls != null) {

return new OldCombinerRunner(cls, job, inputCounter, reporter);

}

而这个是新的API

org.apache.hadoop.mapreduce.TaskAttemptContext taskContext =

new org.apache.hadoop.mapreduce.task.TaskAttemptContextImpl(job, taskId,

reporter);

Class<? extends org.apache.hadoop.mapreduce.Reducer<K,V,K,V>> newcls =

(Class<? extends org.apache.hadoop.mapreduce.Reducer<K,V,K,V>>)

taskContext.getCombinerClass();

if (newcls != null) {

return new NewCombinerRunner<K,V>(newcls, job, taskId, taskContext,

inputCounter, reporter, committer);

}

return null;

（不知道为什么要写全名，去掉那些包名、向上/下转型和各种泛型的话，看起来就会清晰很多？）

而TaskAttemptContext是JobContent的子实现类，所以继承了getCombinerClass方法

而且，这里用的是多态，其调用的是子实现类TaskAttemptContextImpl的getCombinerClass方法

（TaskAttemptContextImpl继承了JobContextImpl，而JobContextImpl实现了该方法）

所以最终get到了属性COMBINE_CLASS_ATTR，即得到了我们通过job.setCombinerClass的xxxC

而这个xxxC是给了newcls，而newcls是给了NewCombinerRunner的构造函数的reducerClassc参数

NewCombinerRunner(Class reducerClass,

JobConf job,

org.apache.hadoop.mapreduce.TaskAttemptID taskId,

org.apache.hadoop.mapreduce.TaskAttemptContext context,

Counters.Counter inputCounter,

TaskReporter reporter,

org.apache.hadoop.mapreduce.OutputCommitter committer)

{

super(inputCounter, job, reporter);

this.reducerClass = reducerClass;

this.taskId = taskId;

keyClass = (Class<K>) context.getMapOutputKeyClass();

valueClass = (Class<V>) context.getMapOutputValueClass();

comparator = (RawComparator<K>) context.getCombinerKeyGroupingComparator();

this.committer = committer;

}

Task

MapTask

$MapOutputBuffer

private CombinerRunner<K,V> combinerRunner;

$SpillThread类($表示内部类)

combinerRunner = CombinerRunner.create(job, getTaskID(),

combineInputCounter,

reporter, null);

//此时，我们得到了设置好的合并类

if (combinerRunner == null) {

// spill directly

DataInputBuffer key = new DataInputBuffer();

while (spindex < mend &&

kvmeta.get(offsetFor(spindex % maxRec) + PARTITION) == i) {

final int kvoff = offsetFor(spindex % maxRec);

int keystart = kvmeta.get(kvoff + KEYSTART);

int valstart = kvmeta.get(kvoff + VALSTART);

key.reset(kvbuffer, keystart, valstart - keystart);

getVBytesForOffset(kvoff, value);

writer.append(key, value);

++spindex;

}

} else {

int spstart = spindex;

while (spindex < mend &&

kvmeta.get(offsetFor(spindex % maxRec)

+ PARTITION) == i) {

++spindex;

}

// Note: we would like to avoid the combiner if we've fewer

// than some threshold of records for a partition

if (spstart != spindex) {

combineCollector.setWriter(writer);

RawKeyValueIterator kvIter =

new MRResultIterator(spstart, spindex);

combinerRunner.combine(kvIter, combineCollector);

}

再查看combine函数

在Task的内部类NewCombinerRunner下

public void combine(RawKeyValueIterator iterator,

OutputCollector<K,V> collector)

throws IOException, InterruptedException,ClassNotFoundException

{

// make a reducer

org.apache.hadoop.mapreduce.Reducer<K,V,K,V> reducer =

(org.apache.hadoop.mapreduce.Reducer<K,V,K,V>)

ReflectionUtils.newInstance(reducerClass, job);

org.apache.hadoop.mapreduce.Reducer.Context

reducerContext = createReduceContext(reducer, job, taskId,

iterator, null, inputCounter,

new OutputConverter(collector),

committer,

reporter, comparator, keyClass,

valueClass);

reducer.run(reducerContext);

}

上面的reducerClass就是我们传入的xxxC

最终是通过反射创建了一个xxxC对象，并将其强制向上转型为Reducer实例对象，

然后调用了向上转型后对象的run方法（当前的xxxC没有run方法，调用的是父类Reduce的run）

在类Reducer中，run方法如下

/**

* Advanced application writers can use the

* {@link #run(org.apache.hadoop.mapreduce.Reducer.Context)} method to

* control how the reduce task works.

public void run(Context context) throws IOException, InterruptedException {

setup(context);

try {

while (context.nextKey()) {

reduce(context.getCurrentKey(), context.getValues(), context);

// If a back up store is used, reset it

Iterator<VALUEIN> iter = context.getValues().iterator();

if(iter instanceof ReduceContext.ValueIterator) {

((ReduceContext.ValueIterator<VALUEIN>)iter).resetBackupStore();

}

} finally {

cleanup(context);

}

有由于多态，此时调用的reduce是子类xxxC中的reduce方法

（多态态性质：子类复写了该方法，则实际上执行的是子类中的该方法）

所以说，我们自定义combine用的类的时候，应该继承Reducer类，并且复写reduce方法

且其输入形式：(以wordcount为例)

reduce(Text key, Iterable<IntWritable> values, Context context)

其中key是单词个数，而values是个数列表，也就是value1、value2........

注意，此时已经是列表，即<键，list<值1、值2、值3.....>>

(之所以得到这个结论，是因为我当时使用的combine类是WCReduce，

即Reduce和combine所用的类是一样的，通过对代码的分析，传入值的结构如果是<lkey,value>的话，是不可能做到combine的啊——即所谓的对相同值合并，求计数的累积和，这根本就是两个步骤，对key相同的键值对在map端就进行了一次合并了，合并成了<key,value list>，然后才轮到combine接受直接换个形式的输入，并处理——我们的处理是求和，然后再输出到context，进入reduce端的shuffle过程。

然后我在reduce中遍历了用syso输出

结果发现是0，而这实际上是因为经过一次遍历，我的指针指向的位置就不对了啊，

)

嗯，自己反复使用以下的代码，不断的组合、注释，去测试吧~就会得出这样的结论了