对combiner的理解
combiner其实属于优化方案，由于带宽限制，应该尽量减少map和reduce之间的数据传输数量。它在Map端把同一个key的键值对合并到一起并计算，计算规则与reduce一致所以combiner也可以看做特殊的Reducer.
执行combiner操作要求开发者在程序中设置了combiner（程序中通过job.setCombinerClass(MyCombiner.class)自定义combiner操作）。
Combiner组件是用来做局部汇总的，就在mapTask中进行汇总；Reducer组件是用来做全局汇总的，最终的，最后一次汇总。
combiner的使用场景
1、map输出数据根据分组排序完成后，在写入文件之前会执行一次combine操作（前提是作业中设置了这个操作）；
# 此处可以将Reducer作为conbiner，因为输入输出的key-value相同
job.setCombinerClass(WordCountReducer.class);
2、如果map输出比较大，溢出文件个数大于3（此值可以通过属性min.num.spills.for.combine配置时），在merge的过程（多个spill文件合并为一个大文件）中前还会执行combiner操作。
注意事项
不是所有的作业都可以做combiner操作的，只有满足以下条件才可以：
1、Combiner只能对一个mapTask的中间结果进行汇总；
2、如果想使用Reducer直接充当Combiner,那么必须满足：Reducer的输入和输出key-value类型是一致的。
- 处于两个不同节点的mapTask的结果不能combiner到一起；
- 处于同一节点的两个mapTask的结果不能combiner到一起；
- 求最大数、最小数、求和、去重时可以直接使用Reducer充当Combiner，但是求平均值时不可以使用Reducer充当Combiner.
原因: 对2组值求平均值
2 3 4 5 6 = 20 / 5 = 4
4 5 6 = 15 / 3 = 5
（20+15）/ (5+3) = 4.5
