MapReduce Partitioner | MapReduce 教程

#MapReduce Partitioner
MapReduce Partitioner 是用来对 mapper 输出的数据进行分区的。partitioner 通过哈希函数对 Key 或者 Key 的子集求哈希值，哈希值相同的键值对将在同一个分区里面。分区的数量取决于 reduce 任务的数量。下面对 MapReduce Partitioner 详细介绍。
 
![mapreduce 分区机制](/media/editor/file_1570245606000_20191005112007707040.png "mapreduce 分区机制")

##MapReduce Partitioner
在开始学习 MapReduce Partitioner 之前，你需要先理解一下 mapper、reducer 以及 combiner 的概念。
 
map 输出的键值对的分区逻辑由 Partitioner 决定的。通过哈希函数，对 key 进行哈希并生成哈希值。每个 mapper 的输出都会被分区，key 相同记录将被分在同一个分区里。每个分区会被发送给一个 reducer。`(key, value)` 键值对将会被分到哪一个分区是由 Partition 类决定的。分区阶段发生在 map 阶段之后 reduce 阶段之前。MapReduce 为什么要设计分区这个阶段呢？下面会给出答案。

##Hadoop MapReduce Partitioner 的必要性
现在让我们来讨论一下 Hadoop MapReduce Partitioner 的必要性。
 
MapReduce 作业接收一个输入数据集并生成键值对列表，这里的键值对列表是 map 阶段的输出结果数据，在这个阶段里面，输入数据会被切分成分片，每个 map 任务处理一个数据分片，并生成键值对列表。接着，map 的输出数据被发送到 reduce 任务，它会执行用户自定义的 reduce 函数，该函数会对 map 的输出数据进行计算。但在 reduce 阶段之前，map 的输出数据会被基于 Key 分区并排序。
 
分区的目的是把具有相同 key 的值集合在一起，确保 key 相同的值都会在同一个 reducer 里面。这样才能保证 map 的输出数据被均匀的分发到 reducer 。

##默认的 MapReduce Partitioner
Hadoop MapReduce 默认的 Hadoop Partitioner 是哈希 `Partitioner（Hash Partitioner）`，它会对 key 计算哈希值，并基于该哈希值对键值对数据进行分区。

##一个 MapReduce job 会有多少个 Partitioner
Partitioner 的数量等于 reducer 的数量，Partitioner 会根据 reducer 的数量来划分数据，reducer 数量可以通过下面的方法进行设置：
 
`JobConf.setNumReduceTasks()`
 
因此，来自同一个分区的数据会被一个 reducer 任务处理。需要注意的是，只有作业具有多个reducer 任务时，分区才会被创建。也就是说，如果作业只有 1 个 reducer 任务，分区阶段是不会发生的。

##低效的分区
如果在输入数据集里面，有一个 key 的数量比其他 key 的数量要大得多，这种情况，有两种机制可以对数据进行分区。
 
- 数量比其他 key 大得多的数据分到一个分区
- 其他 key 根据他们的 `hashCode()` 的值进行分区

但如果 `hashCode()` 方法不能均匀的把其他 key 的数据分发到分区，那么数据将会被均匀的发送到 reducer 任务。低效的分区意味着，某些 reducer 将比其他 reducer 任务处理更多的数据。那么，整个作业的运行时间将取决于这些需要处理更多数据的 reducer，也就是说，作业的运行时间会更长。

###如何克服低效分区
为了克服低效分区的问题，我们可以自定义分区器（partitioner），这样我们就可以根据具体业务修改分区逻辑，把数据均分的分发到不同的 reducer 任务里。

大象教程

加我微信交流吧