1.计数器:可以让开发人员以全局的视角来审查程序运行状况和各个指标。
获得计数器:Conter myConter = config.getConter("组的名字","计数器名");
为计数器设置初值:myConter.setValue(初始值);
增加:myConter.increment();
2.Combiners(规约)
每一个map会产生大量的输出,combiner的作用就是在map端对输出做一次合并,以减少到reduce的数据量,网络传输少。
只能在本地map中进行合并,并不能跨map执行,所以还需要reduce
combiner是选配的,因为对于某些逻辑,使用前与使用后的计算结果不一致。
job.setCombinerClass(MyReduce.class);
3.Partitioner(分组)
1.mapreduce的默认partitioner是HashPartitioner
2.自定义
class KpiPartitioner extends Partitioner{
@Override
public int getPartition(Text key, LongWritable value, int numPartitions) {
return (key.toString().length()==11)?0:1;
}
}
然后在main方法中加入
job.setPartitionerClass(KpiPartitioner.class);
job.setNumberReduceTasks(2);
4.排序和分组
1.在map和reduce阶段进行排序时,比较的是k2,v2是不参与排序比较的,如果想让v2参与排序,需要把k2和v2组装成新的类,作为k2,才能比较。
2.分组也是按照k2进行的。
class NewGroup implements RawComparator{
/**
* 比较字节数组中指定的字节序列的大小
* b1: 第一个参与比较的数组
* b2:第二个参与比较的数组
*
* s1:第一个参与比较的字节数组的开始位置
* s2:第二个
*
* l1:比较长度
*/
@Override
public int compare(byte[] b1, int s1, int l1, byte[] b2, int s2, int l2) {
return WritableComparator.compareBytes(b1, s1, 8, b2, s2, 8);
}
@Override
public int compare(NewKey o1, NewKey o2) {
// TODO Auto-generated method stub
return 0;
}
}
然后在main中
job.setGroupingComparatorClass(NewGroup.class).
阅读(445) | 评论(0) | 转发(0) |