在Hadoop中，有一种处理过程叫Combiner，与Mapper和Reducer在处于同等地位，但其执行的时间介于Mapper和Reducer之间，其实就是Mapper和Reducer的中间处理过程，Mapper的输出是Combiner的输入，Combiner的输出是Reducer的输入。
例如获取历年的最高温度例子，以书中所说的1950年为例，在两个不同分区上的Mapper计算获得的结果分别如下：
第一个Mapper结果：(1950, [0, 10, 20])
第二个Mapper结果：(1950, [25, 15])
如果不考虑Combiner，按照正常思路，这两个Mapper的结果将直接输入到Reducer中处理，如下所示：
MaxTemperature：(1950, [0, 10, 20, 25, 15])
最终获取的结果是25。
如果考虑Combiner，按照正常思路，这两个Mapper的结果将分别输入到两个不同的Combiner中处理，获得的结果分别如下所示：
第一个Combiner结果：(1950, [20])
第二个Combiner结果：(1950, [25])
然后这两个Combiner的结果会输出到Reducer中处理，如下所示
MaxTemperature：(1950, [20, 25])
最终获取的结果是25。
由上可知：这两种方法的结果是一致的，使用Combiner最大的好处是节省网络传输的数据，这对于提高整体的效率是非常有帮助的。
但是，并非任何时候都可以使用Combiner处理机制，例如不是求历年的最高温度，而是求平均温度，则会有另一种结果。同样，过程如下，
如果不考虑Combiner，按照正常思路，这两个Mapper的结果将直接输入到Reducer中处理，如下所示：
AvgTemperature：(1950, [0, 10, 20, 25, 15])
最终获取的结果是14。
如果考虑Combiner，按照正常思路，这两个Mapper的结果将分别输入到两个不同的Combiner中处理，获得的结果分别如下所示：
第一个Combiner结果：(1950, [10])
第二个Combiner结果：(1950, [20])
然后这两个Combiner的结果会输出到Reducer中处理，如下所示
AvgTemperature：(1950, [10, 20])
最终获取的结果是15。
由上可知：这两种方法的结果是不一致的，所以在使用Combiner时，一定三思而后行，仔细思量其是否适合，否则可能造成不必要的麻烦。
Hadoop学习之Combiner