Hadoop分区器

我想问一下Hadoop分区器，它是在Mappers中实现的吗？如何衡量使用默认哈希分区器的性能 - 是否有更好的分区器来减少数据偏差？

Thanks

分区器不在映射器内。

以下是每个映射器中发生的过程 -

• 每个映射任务将其输出写入循环缓冲存储器（而不是磁盘）。 当缓冲区达到阈值时，后台线程开始将内容溢出到磁盘。 [缓冲区大小由mapreduce.task.io.sort.mb属性控制，默认为100MB，溢出由mapreduce.io.sort.spill.percent属性控制，默认为0.08或80%]。在溢出到磁盘之前 数据根据它们将被发送到的减速器进行分区 在每个分区内按键执行内存排序
• 对每种排序的结果运行组合器函数（减少写入和传输的数据，这需要专门完成）
• 压缩（可选）[mapred.compress.map.output=true; mapred.map.output.compression.codec=编解码器名称]
• 写入磁盘和输出文件的分区可通过 HTTP 供减速器使用。

下面是每个Reducer中发生的过程

• 现在，每个Reducer从每个映射器收集所有文件，它进入排序/合并阶段（排序已经在映射器端完成），该阶段合并所有映射输出并保持排序顺序。

• 在reduce 阶段，为排序输出中的每个键调用reduce 函数。

下面是代码，说明了键分区的实际过程。 getpartition() 将返回特定键必须根据其哈希码发送到的分区号/化简器。每个键的哈希码必须是唯一的，并且在整个环境中，键的哈希码应该是唯一且相同的。为此，hadoop 为其密钥实现了自己的哈希码，而不是使用 java 默认哈希码。

 Partition keys by their hashCode(). 

        public class HashPartitioner<K, V> extends Partitioner<K, V> {
        public int getPartition(K key, V value,
                                 int numReduceTasks) {
           return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;
       }

       }