6.4.3 优化洗牌（shuffle）和排序阶段
洗牌和排序阶段都很耗费资源。洗牌需要在map和reduce任务之间传输数据，会导致过大的网络消耗。排序和合并操作的消耗也是很显著的。这一节将介绍一系列的技术来缓解洗牌和排序阶段的消耗。
技术46 规避使用reduce
Reduce在用于连接数据集的时候将会产生大量的网络消耗。
问题
需要考虑在MapReduce规避reduce的使用。
方案
通过将MapReduce参数setNumReduceTasks设置为0来创建一个只有map的作业。
讨论
洗牌和排序阶段一般都是用来连接数据集。但连接操作并不一定需要洗牌和排序，正如第4章中所介绍的。满足一定条件的连接可以只在map端运行。那么就只需要只有map的作业了。设置只有map的作业的命令如下。
job.setNumReduceTasks(0);
小结
一个只有map的作业的OutputFormat是和普通作业中reduce的OutputFormat一样。如图6.39所示。
如果无法规避reduce，那么就要尽量减小它对你的作业执行时间的影响。
技术47 过滤和投影
Map到Reduce之间传输数据要通过网络，这个成本很高。
问题
需要减少被洗牌的数据。
方案
减少map输出的每条记录的大小，并尽可能地减少map输出的数据量。
讨论
过滤和投影是关系运算中的概念，用以减少需要处理的数据。这些概念也可以用到MapReduce中减少map任务需要输出的数据。以下是过滤和投影的简明定义：
- 过滤是减少map输出的数据量。
- 投影是减少map输出的每条记录的大小。
以下是上述概念的演示代码：
1 Text outputKey = new Text(); 2 Text outputValue = new Text(); 3 4 @Override 5 public void map(LongWritable key, Text value, 6 OutputCollector<Text, Text> output, 7 Reporter reporter) throws IOException { 8 9 String v = value.toString(); 10 11 if (!v.startsWith("10.")) { 12 String[] parts = StringUtils.split(v, ".", 3); 13 outputKey.set(parts[0]); 14 outputValue.set(parts[1]); 15 output.collect(outputKey, outputValue); 16 } 17 }
小结
过滤和投影是在需要显著减少MapReduce作业运行时间时最容易的方法中的两种。
如果已经应用了这两种方法，但还需要进一步减少运行时间。那么就可以考虑combine。
技术48 使用combine
Combine可以在map阶段进行聚合操作来减少需要发送到reduce的数据。它是一个map端的优化工具，以map的输出作为输入。
问题
需要在过滤和投影后进一步减少运行时间。
方案
定义一个combine。在作业代码中使用setCombinerClass来调用它。
讨论
在map输出数据到磁盘的过程中，有两个子过程：溢洒（spill）子过程，合并子过程。Combine在这两个子过程中都会被调用，如图6.40所示。为了让combine在分组数据中效率最大，可以在两个子过程调用combine之前进行初步（precursory）的排序。
与设置map类类似，作业使用setCombinClass来设置combine。
job.setCombinerClass(Combine.class);
Combine的实现必须严格遵从reduce的规格说明。这里将假定使用技术39种的map。将map的输出中的记录按照下述条件合并：第二个八进制数相同。代码如下。
1 public static class Combine implements Reducer<Text, Text, Text, Text> { 2 3 @Override 4 public void reduce(Text key, Iterator<Text> values, 5 OutputCollector<Text, 6 Text> output, 7 Reporter reporter) throws IOException { 8 9 Text prev = null; 10 while (values.hasNext()) { 11 Text t = values.next(); 12 if (!t.equals(prev)) { 13 output.collect(key, t); 14 } 15 prev = ReflectionUtils.copy(job, t, prev); 16 } 17 } 18 }
Combine函数必须是可分布的（distributive）。如图6.40（在前面）所示，combine要被调用多次处理多个具有相同输入键的记录。这些记录的顺序是不可预测的。可分布函数是指，不论输入数据的顺序如何，最终的结果都一样。
小结
在MapReduce中combine非常有用，它能够减少map和reduce之间的网络传输数据和网络负载。下一个减少执行时间的有用工具就是二进制比较器。
技术49 用Comparator进行超快排序
MapReduce默认使用RawComparator对map的输出键进行比较排序。内置的Writable类（例如Text和IntWritable）是字节级实现。这样不用将字节形式的类解排列（unmarshal）成类对象。如果要通过WritableComparable实现自定义Writable，就有可能延长洗牌和排序阶段的时间，因为它需要进行解排列。
问题
存在自定义的Writable。需要减少作业的排序时间。
方案
实现字节级的Comparator来优化排序中的比较过程。
讨论
在MapReduce中很多阶段，排序是通过比较输出键来进行的。为了加快键排序，所有的map输出键必须实现WritableComparable接口。
1 public interface WritableComparable<T> extends Writable, Comparable<T> { 2 3 }
如果对4.2.1中的Person类进行改造，实现代码如下。
1 public class Person implements WritableComparable<Person> { 2 private String firstName; 3 private String lastName; 4 5 @Override 6 public int compareTo(Person other) { 7 int cmp = this.lastName.compareTo(other.lastName); 8 if (cmp != 0) { 9 return cmp; 10 } 11 return this.firstName.compareTo(other.firstName); 12 } 13 ...
这个Comparator的问题在于，如果要进行比较，就需要将字节形式的map的中间结果数据解排列成Writable形式。解排列要重新创建对象，因此成本很高。
Hadoop中的自带的各种Writable类不但扩展了WritableComparable接口，也提供了基于WritableComparator类的自定义Comparator。代码如下。
1 public class WritableComparator implements RawComparator { 2 3 public int compare(byte[] b1, int s1, int l1, byte[] b2, int s2, int l2) { 4 5 try { 6 buffer.reset(b1, s1, l1); 7 key1.readFields(buffer); 8 9 buffer.reset(b2, s2, l2); 10 key2.readFields(buffer); 11 } catch (IOException e) { 12 throw new RuntimeException(e); 13 } 14 return compare(key1, key2); 15 } 16 17 /** Compare two WritableComparables. 18 * 19 * <p> The default implementation uses the natural ordering, 20 * calling {@link 21 * Comparable#compareTo(Object)}. */ 22 @SuppressWarnings("unchecked") 23 public int compare(WritableComparable a, WritableComparable b) { 24 return a.compareTo(b); 25 } 26 ... 27 }
要实现字节级的Comparator，需要重载compare方法。这里先学习一下IntWritable类如何实现这个方法。
1 public class IntWritable implements WritableComparable { 2 3 public static class Comparator extends WritableComparator { 4 5 public Comparator() { 6 super(IntWritable.class); 7 } 8 9 public int compare(byte[] b1, int s1, int l1, byte[] b2, int s2, int l2) { 10 int thisValue = readInt(b1, s1); 11 int thatValue = readInt(b2, s2); 12 return (thisValue<thatValue ? -1 : 13 (thisValue==thatValue ? 0 : 1)); 14 } 15 } 16 17 static { 18 WritableComparator.define(IntWritable.class, new Comparator()); 19 }
如果只使用内置的Writable，那就没有必要实现WritableComparator。它们都自带。如果需要使用自定义的Writable作为输出键，那么就需要自定义WritableComparator。这里基于前述Person类来说明如何实现。
在Person类中，有两个字符串类属性，firstName和lastName。使用writeUTF方法通过DataOutput输出它们。以下是实现代码。
1 private String firstName; 2 private String lastName; 3 4 @Override 5 public void write(DataOutput out) throws IOException { 6 out.writeUTF(lastName); 7 out.writeUTF(firstName); 8 }
首先需要理解Person对象是如何用字节形式表示的。writeUTF方法输出了字节长度（2个字节），字符内容（字符的长度，L1个字节）。如图6.41描述了字节是如何排列的。
假设需要对lastName和firstName进行字典式地比较（译注：就是看字典中的先后顺序）。显然不能直接用整个字节数组，因为其中还有字符长度。那么Comparator就需要足够聪明到能够跳过字符长度。以下是实现代码。
1 @Override 2 public int compare(byte[] b1, int s1, int l1, byte[] b2, int s2, int l2) { 3 4 int lastNameResult = compare(b1, s1, b2, s2); 5 if (lastNameResult != 0) { 6 return lastNameResult; 7 } 8 int b1l1 = readUnsignedShort(b1, s1); 9 int b2l1 = readUnsignedShort(b2, s2); 10 return compare(b1, s1 + b1l1 + 2, b2, s2 + b2l1 + 2); 11 } 12 13 public static int compare(byte[] b1, int s1, byte[] b2, int s2) { 14 int b1l1 = readUnsignedShort(b1, s1); 15 int b2l1 = readUnsignedShort(b2, s2); 16 return compareBytes(b1, s1 + 2, b1l1, b2, s2 + 2, b2l1); 17 } 18 19 public static int readUnsignedShort(byte[] b, int offset) { 20 int ch1 = b[offset]; 21 int ch2 = b[offset + 1]; 22 return (ch1 << 8) + (ch2); 23 }
小结
writeUTF只支持小于65536字符的字符串类。对于人名来说，是足够了。大点的，可能就不行。这个时候就需要使用Hadoop的Text类来支持更大的字符串。Text类中的Comparator类的二进制字符串比较器的实现机制和刚才介绍的大致相当。（这个修饰真长。）那么针对Text类的lastName和firstName的Comparator的实现方式也会累死。
下一节将介绍如何减小数据倾斜的影响。