mapreduce combine

最近使用Map-Reduce的时候，有几个小问题一直困扰着我，因为刚接触Map-Reduce也没多久，对Map-Reduce整个体系没有多少认识，所以仅仅通过实验来猜测结果，慢慢积累，或许以后能阅读Hadoop的源代码。

问题如下：

1、如果文件中的记录key为空，那么这些key为空的记录是否会被认为key相等呢？

2、reduce结束条件是什么？

3、JobConf::setOutputValueClass怎样使用？

对于第一个问题，实验的结果是它们会被规约到一起，这也就能解释我生成的数据中为什么偶尔会出错，原始数据某些行格式有问题，使用split得到了空字符串。

对于第二个问题，实验的结果让我头晕了好久。我认为只要所有key相等的记录只剩一条了，那么reduce就应该结束了。我自己自作聪明写了如下的例子程序，其reduce函数代码如下：

StringBuilder sb = new StringBuilder();

while (values.hasNext()) {
String str = values.next().toString();
sb.append(str+":");
}

sb.deleteCharAt(sb.length()-1);

long time = System.currentTimeMillis();

long thread = Thread.currentThread().getId();

output.collect(new Text(time+":["+thread+"]:"+key.toString()), new Text(sb.toString()));

output.collect(key, new Text(sb.toString()));

我以为可以仔细地观看到规约的过程，结果发现这样会干扰程序运行的结果，至于为什么我就想不明白了。

对于第三个问题，需要对Map-Reduce的运行过程有一个比较好的理解。根据Hadoop官方文档的阐述，Reducer的工作分为三个过程。

1、shuffle。这个过程主要是从Map获得数据。

2、排序。Map发送出来的数据已经排好序了，但是由于可能同时有多个Map任务运行，不同的Map送来的数据key可能相等，因此需要再次分组排序。对于所有的记录应该先分组再排序，key相同的记录应该分到一组，然后对每组调用一次reduce。如果想将key的长度相等的记录分到一组，比如"aa"和"dd"一组，"bbb"和"ccc"一组，可是这样分好以后，怎样做排序呢？明天去公司做个例子程序实验下吧。

3、调用reduce函数。
使用setCombinerClass设置Combiner极大地误解了我对Map-Reduce的理解，因为combine运行在Map任务中，这样我就误以为Reduce要处理Reduce的输出。比如有下面这样一个例子程序：
StringBuilder sb = new StringBuilder();

while (values.hasNext()) {
sb.append(values.next().toString()+":");
}
我想使用冒号将value连接起来，正常结果应该形如"a:b:c:d"，结果我得到的却总是"a::b::c:::d::"，费了好大的心思也没有琢磨明白，今天才恍然大悟，原来不仅仅只有Reducer会调用reduce函数，Mapper在combine时也会调用reduce函数，这样送给Reducer的reduce函数的数据已经是"a:b:"这个样子的了，reduce再在其后面添加冒号就导致冒号超出所想。另外一个神秘的现象就是：在reduce函数添加了很多打印语句，但在Web UI却查看不到Reduce任务的打印语句，这些语句全部显示在Map任务的日志中了，这也是combine导致的。最后有一个由combine导致的问题也有点莫名其妙，如果Map输出的<K1, V1>同Reduce输出的<K2, V2>的类型不一致，使用combiner会导致运行时异常，提示类型转换出现错误。这是因为combine运行的是reduce函数，输出的自然是<K2, V2>，而reduce函数却希望得到<K1, V1>，所以就出现错误了，不知道这种情况下还能不能实现combine，如果不使用会降低一些效率。

今天灵感突现，从此功力大增，发现Map-Reduce确实是极大地简化了分布式编程的难度，So great!