Hadoop入门教程（十四）：Hadoop MapReduce Shuffle 机制

在上一篇教程我们引入了 MapReduce 的执行机制，并粗略的讲了 InputFormat，现在该讲一下 Shuffle 了。Map方法之后，Reduce方法之前的数据处理过程称之为Shuffle。

MapReduce 是 Hadoop 的重点，而 Shuffle 是 MapReduce 的重点，很多神奇的操作都在这里发生，因为是入门类教程，我也只简单的了解一下，引导大家入门，先走进来，深入的部分请各位看官综合搜索引擎其他信息学习。

Partition 分区

MapReduce提供Partitioner接口，它的作用就是根据key或value及reduce的数量来决定当前的这对输出数据最终应该交由哪个ReduceTask处理。默认对key hash后再以ReduceTask数量取模。默认的取模方式只是为了平均reduce的处理能力，如果用户自己对Partitioner有需求，可以订制并设置到job上。 

自定义 Partition 分区

想要自定义一个 Partition 分区，只需要继承 Partitioner 就可以开始我们的骚操作了，来个简单的案例，比如按照日志的IP开头进行分区到不同的ReduceTask：

public class MyPartitioner extends Partitioner<Text, DemoEntity> {
@Override
public int getPartition(Text text, DemoEntity demoEntity, int numPartitions) {
    // 111.224.80.24 - - [17/Mar/2021:03:17:49 +0000] "GET /dictionary/gender HTTP/1.1" 200 405 "http://www.renfei.net/index.html" "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36"
    // 取 IP
    String ip = text.toString().split(" ")[0];
    // 假设按照 IP 开头的区别分别分区
    if (ip.startsWith("192.")) {
        return 0;
    } else if (ip.startsWith("10.10.")) {
        return 1;
    } else if (ip.startsWith("10.0.")) {
        return 2;
    } else {
        return 3;
    }
}

使用我们自定义的 MyPartitioner，在任务上设置一下：

Job job = Job.getInstance(new Configuration());
job.setJarByClass(PartitionerDriver.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(DemoEntity.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(DemoEntity.class);
// 此处只演示 自定义 Partition 分区 的使用
// 设置 ReduceTasks 是 4 个，因为我们分区为 0、1、2、3
job.setNumReduceTasks(4);
job.setPartitionerClass(MyPartitioner.class);

WritableComparable 排序

在之前的案例中，我们拿到的输入都是排序好的，无论是 MapTask 还是 ReduceTask 都会按照 Key 进行排序，不管你是否需要，Hadoop 都会进行排序，默认是按照字典排序，使用的排序算法是快速排序。

我们在前面的《Hadoop入门教程（十二）：Hadoop 的 Writable 类》尝试创建了自己的Bean对象，如果想要让这个 Bean 支持排序，我们就需要实现 WritableComparable 接口，并重写 compareTo() 方法：

public class DemoEntity implements WritableComparable<DemoEntity> {
    private String ip;
    private String path;
    private int port;
    /**
     * 序列化方法
     *
     * @param dataOutput 框架给我们的数据出口
     * @throws IOException
     */
    @Override
    public void write(DataOutput dataOutput) throws IOException {
        dataOutput.writeUTF(ip);
        dataOutput.writeUTF(path);
        dataOutput.writeInt(port);
    }
    /**
     * 反序列化方法
     *
     * @param dataInput 框架给我们的数据来源
     * @throws IOException
     */
    @Override
    public void readFields(DataInput dataInput) throws IOException {
        ip = dataInput.readUTF();
        path = dataInput.readUTF();
        port = dataInput.readInt();
    }
    // 此处省略 Getter/Setter ....
    /**
     * 排序支持
     *
     * @param o
     * @return
     */
    @Override
    public int compareTo(DemoEntity o) {
        // 假设我们按 port 排序
        return Integer.compare(o.getPort(), this.port);
    }
}

Combiner 合并

Combiner 是 Mapper 和 Reducer 之外的一种，但 Combiner 的父类是 Reducer，但又跟 Reducer 不太一样。Combiner 是在 MapTask 所在节点运行的，可以为每个 MapTask 的输出结果进行汇总合并，减少网络IO，就像压缩功能一样，但默认不会使用 Combiner，因为他会修改 MapTask 的输出结果，如果要使用 Combiner 前提必须是不能影响业务结果！所以得根据自己的业务场景来决定是否使用 Combiner。

如果你需要自己定义一个 Combiner 并使用它，可以继承R educer，重写Reduce方法，然后：job.setCombinerClass(MyCombiner.class);，由于是入门级别，主要是我懒得写了，这个教程写了半个月了，在这就不做演示了。

GroupingComparator分组

分组呢也好理解，有的时候我们有一个销售订单数据，想要知道每个月最高金额的订单是哪个，那我们就是按月份进行分组了，自定义类继承 WritableComparator，重写compare()方法，这里我也懒得演示了，各位用的时候可以再查。