MapReduce功能实现十一---join

MapReduce功能实现系列：

MapReduce功能实现一---Hbase和Hdfs之间数据相互转换

MapReduce功能实现二---排序

MapReduce功能实现三---Top N

MapReduce功能实现四---小综合(从hbase中读取数据统计并在hdfs中降序输出Top 3)

MapReduce功能实现五---去重(Distinct)、计数(Count)

MapReduce功能实现六---最大值(Max)、求和(Sum)、平均值(Avg)

MapReduce功能实现七---小综合(多个job串行处理计算平均值)

MapReduce功能实现八---分区(Partition)

MapReduce功能实现九---Pv、Uv

MapReduce功能实现十---倒排索引(Inverted Index)

MapReduce功能实现十一---join

前言：对两份数据data1和data2进行关键词连接是一个很通用的问题，在关系型数据库中Join是非常常见的操作，各种优化手段已经到了极致。在海量数据的环境下，不可避免的也会碰到这种类型的需求，例如在数据分析时需要从不同的数据源中获取数据。不同于传统的单机模式，在分布式存储下采用MapReduce编程模型，也有相应的处理措施和优化方法。

1.模拟数据：
[hadoop@h71 q1]$ vi mz.txt
zs 1
ls 2
ww 3
zl 2
qq 2
hh 1
[hadoop@h71 q1]$ vi jg.txt
1 beijing
2 tianjing
3 shanghai

2.将数据上传到hdfs上：
[hadoop@h71 q1]$ hadoop fs -mkdir /user/hadoop/m_in

[hadoop@h71 q1]$ hadoop fs -put mz.txt /user/hadoop/m_in
[hadoop@h71 q1]$ hadoop fs -put jg.txt /user/hadoop/m_in

3.[hadoop@h71 q1]$ vi MTjoin.java

import java.io.IOException;import java.util.Iterator;import java.util.StringTokenizer;import org.apache.hadoop.conf.Configuration;import org.apache.hadoop.fs.Path;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapreduce.Job;import org.apache.hadoop.mapreduce.Mapper;import org.apache.hadoop.mapreduce.Reducer;import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;import org.apache.hadoop.util.GenericOptionsParser; public class MTjoin {     public static int time = 0;    /*     * 在map中先区分输入行属于左表还是右表，然后对两列值进行分割，     * 保存连接列在key值，剩余列和左右表标志在value中，最后输出     */    public static class Map extends Mapper<Object, Text, Text, Text> {        // 实现map函数        public void map(Object key, Text value, Context context) throws IOException, InterruptedException {            String line = value.toString();// 每行文件            String relationtype = new String();// 左右表标识            // 输入文件首行，不处理            if (line.contains("name") == true || line.contains("addressed") == true) {                return;            }            // 输入的一行预处理文本            StringTokenizer itr = new StringTokenizer(line);            String mapkey = new String();            String mapvalue = new String();            int i = 0;            while (itr.hasMoreTokens()) {                // 先读取一个单词                String token = itr.nextToken();                // 判断该地址ID就把存到"values[0]"                //charAt() 方法可返回指定位置的字符                if (token.charAt(0) >= '0' && token.charAt(0) <= '9') {                    mapkey = token;                    if (i > 0) {                        relationtype = "1";                    } else {                        relationtype = "2";                    }                    //break的作用是跳出当前循环块,continue用于结束循环体中其后语句的执行                    continue;                }                // 存工厂名                mapvalue += token + " ";                i++;            }            // 输出左右表            context.write(new Text(mapkey), new Text(relationtype + "+"+ mapvalue));        }    }    /*     * reduce解析map输出，将value中数据按照左右表分别保存，　　 * 然后求出笛卡尔积，并输出。     */    public static class Reduce extends Reducer<Text, Text, Text, Text> {        // 实现reduce函数        public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {            // 输出表头            if (0 == time) {                context.write(new Text("name"), new Text("address"));                time++;            }            int factorynum = 0;            String[] factory = new String[10];            int addressnum = 0;            String[] address = new String[10];            Iterator ite = values.iterator();            while (ite.hasNext()) {                String record = ite.next().toString();                int len = record.length();                int i = 2;                if (0 == len) {                    continue;                }                // 取得左右表标识                char relationtype = record.charAt(0);                // 左表                if ('1' == relationtype) {                    factory[factorynum] = record.substring(i);                    factorynum++;                }                // 右表                if ('2' == relationtype) {                    address[addressnum] = record.substring(i);                    addressnum++;                }            }            // 求笛卡尔积            if (0 != factorynum && 0 != addressnum) {                for (int m = 0; m < factorynum; m++) {                    for (int n = 0; n < addressnum; n++) {                        // 输出结果                        context.write(new Text(factory[m]),                                new Text(address[n]));                    }                }            }        }    }     public static void main(String[] args) throws Exception {        Configuration conf = new Configuration();        // 这句话很关键        conf.set("mapred.jar", "mt.jar");        String[] ioArgs = new String[] { "m_in", "m_out" };        String[] otherArgs = new GenericOptionsParser(conf, ioArgs).getRemainingArgs();        if (otherArgs.length != 2) {            System.err.println("Usage: Multiple Table Join <in> <out>");            System.exit(2);        }        Job job = new Job(conf, "Multiple Table Join");        job.setJarByClass(MTjoin.class);         // 设置Map和Reduce处理类        job.setMapperClass(Map.class);        job.setReducerClass(Reduce.class);         // 设置输出类型        job.setOutputKeyClass(Text.class);        job.setOutputValueClass(Text.class);         // 设置输入和输出目录        FileInputFormat.addInputPath(job, new Path(otherArgs[0]));        FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));        System.exit(job.waitForCompletion(true) ? 0 : 1);    }}

4.执行：
[hadoop@h71 q1]$ /usr/jdk1.7.0_25/bin/javac MTjoin.java
[hadoop@h71 q1]$ /usr/jdk1.7.0_25/bin/jar cvf xx.jar MTjoin*class
[hadoop@h71 q1]$ hadoop jar xx.jar MTjoin

5.查看结果：
[hadoop@h71 q1]$ hadoop fs -cat /user/hadoop/m_out/part-r-00000
name    address
hh      beijing
zs      beijing
qq      tianjing
zl      tianjing
ls      tianjing
ww      shanghai