第一部分：重要的组件

Combiner •什么是Combiner •combine函数把一个map函数产生的<key,value>对（多个key, value）合并成一个新的<key2,value2>. 将新的<key2,value2>作为输入到reduce函数中，其格式与reduce函数相同。 •这样可以有效的较少中间结果，减少网络传输负荷。   •什么情况下可以使用Combiner •可以对记录进行汇总统计的场景，如求和。 •求平均数的场景就不可以使用了
Combiner执行时机 •运行combiner函数的时机有可能会是merge完成之前，或者之后，这个时机可以由一个参数控制，即 
min.num.spill.for.combine（default 3） •当job中设定了combiner，并且spill数最少有3个的时候，那么combiner函数就会在merge产生结果文件之前运行 •通过这样的方式，就可以在spill非常多需要merge，并且很多数据需要做conbine的时候，减少写入到磁盘文件的数据数量，同样是为了减少对磁盘的读写频率，有可能达到优化作业的目的。 •Combiner也有可能不执行， Combiner会考虑当时集群的负载情况。
Combiner如何使用 •代码示例 •继承Reducer类 public static class Combiner extends MapReduceBase implements            Reducer<Text, Text, Text, Text> {        public void reduce(Text key, Iterator<Text> values,                OutputCollector<Text, Text> output, Reporter reporter)                throws IOException {                  }     }   •配置作业时加入conf.setCombinerClass(Combiner.class)  
Partitioner •什么是Partitioner •Mapreduce 通过Partitioner 对Key 进行分区，进而把数据按我们自己的需求来分发。 •什么情况下使用Partitioner •如果你需要key按照自己意愿分发，那么你需要这样的组件。 •例如：数据文件内包含省份，而输出要求每个省份输出一个文件。 •框架默认的HashPartitioner •public class HashPartitioner<K, V> extends Partitioner<K, V> {  

  /** Use {@link Object#hashCode()} to partition. */  

  public int getPartition(K key, V value,  

                          int numReduceTasks) {  

    return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;  

  } 

} 
Partitioner如何使用 •实现Partitioner接口覆盖getPartition()方法 •配置作业时加入conf.setPartitionerClass(MyPartitioner.class); •Partitioner示例         public static class MyPartitioner implements Partitioner<Text, Text> {                      @Override 

            public int getPartition(Text key, Text value, int numPartitions) {              }   }
Partitioner需求示例 •需求描述 •数据文件中含有省份 •需要相同的省份送到相同的Reduce里 •从而产生不同的文件 •数据样例 •1 liaoning •1 代表该省份有多少个直辖市 •步骤 •实现Partitioner，覆盖getPartition •根据省份字段进行切分    
RecordReader •什么是RecordReader •用于在分块中读取<Key,Value>对，也就是说每一次我们读取一条记录都会调用该类。 •主要是处理经过InputFormat分片完的数据  •什么时候使用RecordReader •需要对输入的数据按自己的需求处理 •如：要求输入的key不是文件的偏移量而是文件的路径或者名字 •系统默认为LineRecordReader •按照每行的偏移量做为map输出时的key值，每行的内容作为map的value值，默认的分隔符是回车和换行。  
RecordReader需求示例 •需求 •更改map对应的输入的<key,value>值，key对应的文件的路径（或者是文件名），value对应的是文件的内容（content）。 •步骤 •重写InputFormat不对文件切分 •重写RecordReader •在配置作业时使用自定义的组件进行数据处理    
第二部分：Join
案例分析 •输入为2个文件，文件一内容如下 •空格分割：用户名 手机号 年龄 •内容样例 •Tom 1314567890 14 •文件二内容 •空格分割：手机号 地市 •内容样例 •13124567890 hubei •需要统计出的汇总信息为 用户名 手机号 年龄 地市
Map端Join •设计思路 •使用DistributedCache.addCacheFile()将地市的文件加入到所有Map的缓存里 •在Map函数里读取该文件，进行Join •  将结果输出到reduce •需要注意的是 •DistributedCache需要在生成Job作业前使用    
Reduce端Join •设计思路 •Map端读取所有文件，并在输出的内容里加上标识代表数据时从哪个文件里来的 •在reduce对按照标识对数据进行保存 •然后根据Key的Join来求出结果直接输出  
第三部分：排序  
普通排序 •Mapreduce本身自带排序功能 •Text对象是不适合排序的，如果内容为整型不会安照编码顺序去排序 •一般情况下我们可以考虑以IntWritable做为Key,同时将Reduce设置成0 ,进行排序  
部分排序 •即输出的每个文件都是排过序的 •如果我们不需要全局排序，那么这是个不错的选择。  
全局排序 •产生背景 •Hadoop平台没有提供全局数据排序，而在大规模数据处理中进行数据的全局排序是非常普遍的需求。 •使用hadoop进行大量的数据排序排序最直观的方法是把文件所有内容给map之后，map不做任何处理，直接输出给一个reduce，利用hadoop的自己的shuffle机制，对所有数据进行排序，而后由reduce直接输出。 •快速排序基本步骤就是需要现在所有数据中选取一个作为支点。然后将大于这个支点的放在一边，小于这个支点的放在另一边。   设想如果我们有 
N 个支点（这里可以称为标尺），就可以把所有的数据分成 N+1 个 part ，将这 N+1 个 part 丢给 reduce，由 hadoop 自动排序，最后输出 N+1 个内部有序的文件，再把这 N+1 个文件首尾相连合并成一个文件，收工 。 由此我们可以归纳出这样一个用 
hadoop 对大量数据排序的步骤：
1 ）   对待排序数据进行抽样；
2 ）   对抽样数据进行排序，产生标尺；
3 ）   Map 对输入的每条数据计算其处于哪两个标尺之间；将数据发给对应区间 ID 的 reduce
4 ）   Reduce 将获得数据直接输出。 •Hadoop 提供了Sampler接口可以返回一组样本，该接口为Hadoop的采样器。            public interface Sampler<K, V> {                         K[] getSample(InputFormat<K, V> inf, Job job)                          throws IOException, InterruptedException;             } •Hadoop提供了一个TotalOrderPartitioner，可以使我们来实现全局排序。
二次排序 •产生背景 •MapReduce默认会对key进行排序 •将输出到Reduce的values也进行预先的排序 •实现方式 •重写Partitioner，完成key分区，进行第一次排序 •实现WritableComparator，完成自己的排序逻辑，完成key的第2次排序 •原理 •Map之前的数据          key1  1          key2  2          key2  3          key3  4          key1  2 •Mapduce只能排序key,所以为了二次排序我们要重新定义自己的key 简单说来就是<key value> value ,组合完后          <key1  1 >    1          <key2  2 >    2          <key2  3 >    3          <key3  4>     4          <key1  2 >    2   •原理 •接下来实现自定义的排序类，分组类，数据变成          <key1  1 >    1          <key1  2 >    2          <key2  2 >    2          <key2  3 >    3          <key3  4>     4 •最后 reduce处理后输出结果            key1  1            key1  2            key2  2            key2  3            key3  4      
第四部分：计数器 •什么是计数器             计数器主要用来收集系统信息和作业运行信息，用于知道作业成功、失败等情况，比日志更便利进行分析。 •内置计数器 •Hadoop内置的计数器，记录作业执行情况和记录情况。包括MapReduce框架、文件系统、作业计数三大类。 •计数器由关联任务维护，定期传递给tasktracker，再由tasktracker传给jobtracker。 •计数器可以被全局聚集。内置的作业计数器实际上由jobtracker维护，不必在整个网络中传递。 •当一个作业执行成功后，计数器的值才是完整可靠的。    
用户自定义Java计数器 •MapReduce框架允许用户自定义计数器 •计数器是全局使用的 •计数器有组的概念，可以由一个Java枚举类型来定义 •如何配置 •0.20.2以下的版本使用Reporter, •0.20.2以上的版本使用context.getCounter(groupName, counterName) 来获取计数器配置并设置。 •动态计数器 •所谓动态计数器即不采用Java枚举的方式来定义   •Reporter中的获取动态计数器的方法 •public void incrCounter(String group,String counter,long amount)             组名称，计数器名称，计数值   •一些原则 •创建计数器时，尽量让名称易读     •获取计数器 •Web UI •命令行 hadoop job-counter •Java API •Java API •在作业运行完成后，计数器稳定后获取。 使用job.getCounters()得到Counters      
第五部分：合并小文件示例 •产生背景 •Hadoop不适合处理小文件 •会占用大量的内存空间 •解决方案 •文件内容读取到SequenceFile内