combiner :
前提：
正常模式下：
InputSplit:
   map:
    (ruoze,1)
    (ruoze,1)
    (ruoze,1)
    (jepson,1)
    (jepson,1)
    (xingxing,1)

   reduce:
    (ruoze,<1,1,1>)
    
combiner ：目的是解决map结束后本地预聚合（实际上是运行在map task 里的）
Combiner: 就是一个本地化的Reduce，局部的聚合  Ruducer是全局的聚合
    运行在MapTask
    (ruoze,3)
    (jepson,2)
    (xingxing,1)

好处是 shuffle时候map输出 到reduce  传输的数据量 会减少很多 减少io

前提是  使用场景 不影响业务本身！！！

1，2 都有这个问题 ： 会把重复的key覆盖掉，注意不是treemap的问题 treemap是用来排序的 是key的类型的问题 key的类型的comparable方法的问题，所以这里你要自定义一个key的数据类型

1方法. 不使用treemap mapper里全部输出 在reducer里做topn

2方法.map里使用treemap   （会把重复的key覆盖掉，注意不是treemap的问题 treemap是用来排序的 是key的类型的问题 key的类型的comparable方法的问题，所以这里你要自定义一个key的数据类型 ）这个不用写reducer

总结 ： 那么分区的topn 应该也会了吧

1.底层是一个object类型的数组
2.线程不安全的   多线程情况下使用 Collections.synchronizedList(传一个list)
    主要的属性
        DEFAULT_CAPACITY = 10;
        Object[] EMPTY_ELEMENTDATA = {};
        Object[] DEFAULTCAPACITY_EMPTY_ELEMENTDATA = {};
        Object[] elementData;
        int size;
注意：
1.问 new ArrayList() 它的数组size是多少 ？ 很多人认为是10   ，不是的 是空  

方法
        构造函数
        add
            是否扩容
            添加
            扩容：
                原来是elementdata.length
                原来的1.5倍   >> 1
                Integer.MAX_VALUE
        remove

        特点：适合快速查找  inde
        缺点：删除 指定index插入  性能很低 因为涉及到数组后续元素的移动

注意：
List<String> list = new ArrayList<.();
 list.add("ruoze");
 list.add("double_hadppy");
 list.add("double_hadppy");
 list.add("double_hadppy");
 list.add("kairis");

/**
*ruoze    double_hadppy  double_hadppy  double_hadppy   kairis
*ruoze    do`在这里插入代码片`uble_hadppy  double_hadppy    kairis
* ruoze    double_hadppy   kairis
*/
//删除
for(int i = 0 ; i< list.size(); i++){
	if(list.get(i).equals("double_happy")){
	 	list.remove(i);
	}
}

System.out.println(list.size());
//这个结果是什么呢？  ruoze    double_hadppy   kairis
这个题很经典
那么如何把 double_hadppy 全删掉呢？

1.自定义outputformat
    a.实先Fileoutputformat
    b.实现里面的recordwriter 方法
    c.定义recordwriter类  带有构造方法（job）   通过输出流把数据写出去

1.自定义分区
2.自定义outputformat

流程：
emp
    <deptno, emp_value>
dept
    <deptno, dept_value>

==> shuffle
    <deptno, <emp_value,dept_value>>

reduce join的原理：区分出来哪个数据来自于哪里 flag

reducer join：
	1.自定义类型
	2.mapper里 setup方法 context获取分片强转成FileSplit  获取文件名  在map方法里把不同表数据（这块写数据 可以使用 set方法 / 构造器 / 反射 ）写出去（设置flag）
	3.reducer里   数据拆分