当不同的Map器使用相同的输入文件（换句话说，使用相同的数据结构）时，所有这些不同Map器的源代码可以放入单个Map器实现的不同方法中，并使用上下文中的参数来决定要调用哪些Map函数。在优点方面，您只需要开始一个map reduce作业。例如伪代码：

class ComplexMapper extends Mapper {

protected BitSet mappingBitmap = new BitSet();

protected void setup(Context context) ... {
{
    String params = context.getConfiguration().get("params");
    ---analyze params and set bits into the mappingBitmap
}

protected void mapA(Object key, Object value, Context context){
.....
context.write(keyA, value);
}

protected void mapB(Object key, Object value, Context context){
.....
context.write(keyA, value);
}

protected void mapB(Object key, Object value, Context context){
.....
context.write(keyB, value);
}

public void map(Object key, Object value, Context context) ..... {
   if (mappingBitmap.get(1)) {
       mapA(key, value, context);
   }
   if (mappingBitmap.get(2)) {
       mapB(key, value, context);
   }
   if (mappingBitmap.get(3)) {
       mapC(key, value, context);
   }
}

当然，它可以通过接口等更优雅地实现。
在作业设置中，只需添加：

Configuration conf = new Configuration();
conf.set("params", "AB");

Job job = new Job(conf);

正如praveen sripati所提到的，拥有一个输出文件会迫使您只拥有一个reducer，这可能对性能不利。当您从hdfs下载部件**文件时，可以始终将它们连接起来。例子：

hadoop fs -text /output_dir/part* > wholefile.txt

通常每个reducer任务在hdfs中生成一个单独的文件，以便reduce任务可以并行运行。如果要求reduce任务有一个o/p文件，那么将作业配置为有一个reducer任务。可以使用mapred.reduce.tasks属性（默认值为1）配置缩减器的数量。这种方法的缺点是只有一个减速机可能是完成工作的瓶颈。
另一种选择是使用其他输出格式，它允许多个reducer像dbouputformat一样同时写入同一个接收器。作业处理完成后，可以将数据库的结果导出到平面文件中。这种方法可以使多个reduce任务并行运行。
另一种选择是合并op中提到的o/p文件。因此，根据每种方法的优缺点和要处理的数据量，可以选择其中一种方法。