mapreduce中的combine过程

hadoop的map过程执行完成后，每一个map都可能会产生大量的本地输出，Combiner的作用就是对map端的输出先做一次合并，减少在map和reduce节点之间的数据传输量，提高网络I/O性能。

Combiner最基本的就是实现本地key的聚合，对map输出的key 排序，value进行迭代。Combiner在本质上就是一个本地的Reducer，其输入<Key, Value>和输出<Key，Value>类型是一致的。如果不用Combiner，所有的结果都在Reducer中进行合并。

但是，不要以为在MapReduce程序中设置了Combiner，Combiner就一定能够执行，也不能假定Combiner执行的次数（由于我们项目中就对Combiner进行了仅能执行一次的假定，造成了程序执行的不确定性，有时能够正常执行，而出现问题时发现重新执行几次偶尔能够执行成功，这也是传说中的“撞大运编程”）。

Combiner函数可能会在map的merge操作完成之前，也可能在merge之后执行，这个时机由配置参数min.num.spill.for.combine指定(该值默认为3)，也就是说在map端产生的spill文件最少有min.num.spill.for.combine的时候，Combiner函数会在merge操作合并最终的本机结果文件之前执行，否则在merge之后执行。通过这种方式，就可以在spill文件很多并且需要做conbine的时候，减少写入本地磁盘的数据量，同样也减少了对磁盘的读写频率，可以起到优化作业的目的。

hadoop文档中也有说明Combiner可能被执行也可能不被执行，如果当前集群在很繁忙的情况下job就是设置了也不会执行Combiner。

需要注意的是，虽然combiner使用合适可以提高Job执行作业的吞吐量，但不合适的应用场景可能导致输出结果不正确。Combiner的输出是Reducer的输入，绝不能改变最终的计算结果。

需求分析

最终回到项目实际问题的所在，我们需要执行的是一个汇总统计，这个汇总统计有这么几个需求：

根据结果数据，对结果需要进行合并统计分析，共两项指标，如果第一项指标大于4或第二项指标大于8时，最终的结果数据就为不合格；
如果最终的指标统计全部放到Reduce端来做，就会导致数据量过大，因为我们需要的执行结果为单个文件，Reducer的数量设置为1，因此需要Combiner的帮助；
Combiner的执行次数不能影响最终结果（之前的版本就是因为依赖了Combiner的执行次数，导致了结果的不确定性）。

经过简单地分析，我们将这个过程简单抽象成三种不同的状态：

初始状态（当前没有值，当然这只是一种中间状态）；
有数据状态（此时，数据会进行累积，但是还没有到达不合格状态）；
不合格状态（这是一种最终状态，此时对需要combine的所有值，均不需要再进行任何操作）；

状态模式

策略模式是围绕着可以互换的算法来创建成功的业务的，而状态模式通过改变对象内部状态来帮助对象控制自己的行为。

使用状态模式后处理的类图结构：

CombinerMediator在每个具体状态对象中合并过来的参数来改变自己的状态，已确定当前处于的状态；

IMapResultValue作为Mapper端输出的结果，分成几种类型，其中MapResultElement为Map端输出的单条记录；其余两种类型分别对应状态对象的输出结果。

最终结果还需要在Reducer端进行最后一次合并，其过程与Combiner类似，状态模式的使用保证无论经过多少次执行，最终结果状态都是一致的。

状态模式允许对象在内部状态改变时，改变其行为，对象看起来修改了它的类。每种状态都封装成了具体的类，并将动作委托到代表当前状态的对象，行为会根据内部状态的改变而改变，在这里CombinerMediator会随着状态的内部combineStat的改变而后续行为改变。

其类图与策略模式是一样的，区别就在于其意图。在状态模式中，我们将一群行为封装在状态对象中，CombinerMediator会随时可委托到那些状态对象中的一个，当前状态在不同的状态对象集合中游走改变，反映context内部的状态，CombinerMeditor的行为也会改变。相比于策略模式，我们把状态模式想像成是不用在中间对象CombinerMediator中放置过多条件判断的替代方法。