JavaHadoop-当使用组合器类时，减少器多次接收同一键的不同值

Question

我在HadoopJavaAPI（1.0.3）中编写了一个Map Reduce作业。该作业包括对数据中特定字段（X）的所有值求和，并创建其他字段的加权分布。

输入:

1 field1_1 field2_1 field3_1 ... fieldX_1
2 field1_2 field2_2 field3_2 ... fieldX_2
3 field1_3 field2_3 field3_3 ... fieldX_3

由于我的数据中的任何一行都发出一对，并且我需要使用单个减法器来求和所有值，因此我想将相同的Reduce类设置为组合器。

总计 X 求和：

地图输出：

X fieldX_1
X fieldX_2 
X fieldX_3
X ... 

减少输出：

X fieldX_1+fieldX_2+fieldX_3+...

奇怪的是，合并器/缩减器会多次收到相同的密钥:

X [fieldX_1 fieldX_1 fieldX_1 ... fieldX_1]
X [fieldX_2 fieldX_2 fieldX_2 ...]
X [fieldX_3 fieldX_3 fieldX_3 ...]
X ...

我很确定这一点，因为我正在stderr中记录传递给每次调用duce方法以进行dubug的所有内容。

我想添加一个更具体的例子：

数据:

1 field1_1 field2_1 field3_1 ... 10
2 field1_2 field2_2 field3_2 ... 20
3 field1_3 field2_3 field3_3 ... 30
4 field1_1 field2_1 field3_1 ... 10
5 field1_2 field2_2 field3_2 ... 40
6 field1_3 field2_3 field3_3 ... 20
...

地图输出：

X 10
X 20
X 30
X 10
X 40
X 20 

减少输入（使用组合器）：

X [10 10 10 10]
X [20 20 20]
X [30 30 30 30 30 30 30]
X [40 40]

减少输出（使用组合器）：

X 40
X 60
X 210
X 80

X 是一个常量标签（字段名称）。请注意，使用相同的键 X 和相同的 X 值集合调用化简器，例如 [10 10 10...] 或 [30 30 30...]。每个总和将单独输出。我的意思是算法工作正常，但在这个阶段需要一个额外的简化步骤来总结重复。

真实日志示例:

Nov 06, 2013 8:50:12 AM MYCLASS logInputError
WARNING: REDUCE-INPUT: X,[10.0]
Nov 06, 2013 8:50:12 AM MYCLASS logOutputError
WARNING: REDUCE-OUTPUT: X,10.0
Nov 06, 2013 8:50:12 AM MYCLASS logInputError
WARNING: REDUCE-INPUT: X,[25.865, 25.865]
Nov 06, 2013 8:50:12 AM MYCLAS logOutputError
WARNING: REDUCE-OUTPUT: X,51.73
Nov 06, 2013 8:50:12 AM MYCLASS logInputError
WARNING: REDUCE-INPUT: X,[1449271.4, 1449271.4, 1449271.4, 1449271.4, 1449271.4, 1449271.4, 1449271.4, 1449271.4, 1449271.4, 1449271.4, 1449271.4, 1449271.4, 1449271.4, 1449271.4]
Nov 06, 2013 8:50:12 AM MYCLASS logOutputError
WARNING: REDUCE-OUTPUT: X,2.0289798E7
Nov 06, 2013 8:50:12 AM MYCLASS logInputError
WARNING: REDUCE-INPUT: X,[514994.53, 514994.53, 514994.53, 514994.53, 514994.53, 514994.53, 514994.53, 514994.53, 514994.53, 514994.53, 514994.53, 514994.53, 514994.53]
Nov 06, 2013 8:50:12 AM MYCLASS logOutputError
WARNING: REDUCE-OUTPUT: X,6694929.0
Nov 06, 2013 8:50:12 AM MYCLASS logInputError
WARNING: REDUCE-INPUT: X,[1438665.5, 1438665.5, 1438665.5, 1438665.5, 1438665.5, 1438665.5, 1438665.5, 1438665.5, 1438665.5, 1438665.5, 1438665.5, 1438665.5, 1438665.5]
Nov 06, 2013 8:50:12 AM MYCLASS logOutputError
WARNING: REDUCE-OUTPUT: X,1.8702654E7

如果我删除合并器，一切正常。我知道合并器可能被调用0次，1次或多次，但是减速器呢？它应该只被调用一次，不是吗？

但更奇怪的是，我对场分布重复了一个类似的过程，这仅发生在X求和问题上...

加权场分布

地图输出（示例字段 1）：

field1_1 X_1
field1_2 X_2
field1_3 X_3
... 

减少输出：

field1(class1) fieldX(class1)+fieldX(class1)+fieldX(class1)+...
field1(class2) fieldX(class2)+fieldX(class2)+fieldX(class2)+...
field1(class3) fieldX(class3)+fieldX(class3)+fieldX(class3)+...
...

实际上，对于field1的每个值，我将对fieldX的所有相关值求和，并对几个字段(field1，field2，field3)重复相同的过程...).

对于那些发出的对，reducer接收单个键(field1(class1))和值的数组([fieldX(class1...])作为正常行为。

结论

一个考虑因素是，对于 X 求和问题，单键 （X） 映射的值数等于数据的大小（行数）。同时，对于字段加权分布，值分布在字段包含的几个类标签中。

是我代码中的错误，还是我没有考虑到Hadoop的一些程序细节？

根据 M/R 范式，Reducer 类应一次接收特定键的所有值，而不是划分为多个分区。

希望收到良好的反馈。

Answer 1

奇怪的是，合并器会多次收到同一个密钥

这是可能的，因为组合器可能会被MapReduce框架多次调用，请参阅JobConf#setCombineClass（）：

在映射器和缩减器任务中，框架可以调用组合器0次、1次或多次。通常，当排序/合并结果写入磁盘时，会调用合并器。组合器必须:

• 无副作用。
• 输入和输出键类型相同，输入和输出值类型相同