MapReduce表连接操作之Map端join

一：背景

MapReduce提供了表连接操作其中包括Map端join、Reduce端join还有半连接，现在我们要讨论的是Map端join，Map端join是指数据到达map处理函数之前进行合并的，效率要远远高于Reduce端join，因为Reduce端join是把所有的数据都经过Shuffle，非常消耗资源。

二：技术实现

基本思路：

(1)：需要join的两个文件，一个存储在HDFS中，一个使用DistributedCache.addCacheFile()将需要join的另外一个文件加入到所有Map缓存中。

(2)：在Map函数里读取该文件，进行join

(3)：将结果输出到reduce

(4)：DistributedCache.addCacheFile()需要在作业提交前设置。

什么是DistributedCache？

DistributedCache是为了方便用户进行应用程序开发而设计的文件分发工具。它能够将只读的外部文件进行自动分发到各个节点上进行本地缓存，以便task运行时加载。

DistributedCache的使用步骤

(1)：在HDFS中上传文件(文本文件、压缩文件、jar包等)

(2)：调用相关API添加文件信息

(3)：task运行前直接调用文件读写API获取文件。

常见API：

DistributedCache.addCacheFile();

DistributedCache.addCacheArchive();

下面我们通过一个示例来深入体会Map端join。

表一：tb_a数据如下

[java] view plain copy

1. name    sex age depNo  
2. zhang   male    20  1  
3. li  female  25  2  
4. wang    female  30  3  
5. zhou    male    35  2  

表二：tb_b数据如下

[java] view plain copy

1. depNo   depName  
2. 1   sales  
3. 2   Dev  
4. 3   Mgt  

#需求就是连接上面两张表

注意：在Map端join操作中，我们往往将较小的表添加到内存中，因为内存的资源是很宝贵的，这也说明了另外一个问题，那就是如果表的数据量都非常大则不适合使用Map端join。

代码如下：

[java] view plain copy

1. public class MyMapJoin {  
2.     // 定义输入路径  
3.     private static String INPUT_PATH1 = "";  
4.     //加载到内存的表的路径  
5.     private static String INPUT_PATH2 = "";  
6.     // 定义输出路径  
7.     private static String OUT_PATH = "";  
8.   
9.     public static void main(String[] args) {  
10.   
11.         try {  
12.             // 创建配置信息  
13.             Configuration conf = new Configuration();  
14.             // 获取命令行的参数  
15.             String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();  
16.             // 当参数违法时，中断程序  
17.             if (otherArgs.length != 3) {  
18.                 System.err.println("Usage:MyMapJoin<in1> <in2> <out>");  
19.                 System.exit(1);  
20.             }  
21.   
22.             // 给路径赋值  
23.             INPUT_PATH1 = otherArgs[0];  
24.             INPUT_PATH2 = otherArgs[1];  
25.             OUT_PATH = otherArgs[2];  
26.             // 创建文件系统  
27.             FileSystem fileSystem = FileSystem.get(new URI(OUT_PATH), conf);  
28.             // 如果输出目录存在，我们就删除  
29.             if (fileSystem.exists(new Path(OUT_PATH))) {  
30.                 fileSystem.delete(new Path(OUT_PATH), true);  
31.             }  
32.             // 添加到内存中的文件(随便添加多少个文件)  
33.             DistributedCache.addCacheFile(new Path(INPUT_PATH2).toUri(), conf);  
34.   
35.             // 创建任务  
36.             Job job = new Job(conf, MyMapJoin.class.getName());  
37.             // 打成jar包运行，这句话是关键  
38.             job.setJarByClass(MyMapJoin.class);  
39.             //1.1 设置输入目录和设置输入数据格式化的类  
40.             FileInputFormat.setInputPaths(job, INPUT_PATH1);  
41.             job.setInputFormatClass(TextInputFormat.class);  
42.   
43.             //1.2 设置自定义Mapper类和设置map函数输出数据的key和value的类型  
44.             job.setMapperClass(MapJoinMapper.class);  
45.             job.setMapOutputKeyClass(NullWritable.class);  
46.             job.setMapOutputValueClass(Emp_Dep.class);  
47.   
48.             //1.3 设置分区和reduce数量  
49.             job.setPartitionerClass(HashPartitioner.class);  
50.             job.setNumReduceTasks(0);  
51.   
52.             FileOutputFormat.setOutputPath(job, new Path(OUT_PATH));  
53.             // 提交作业 退出  
54.             System.exit(job.waitForCompletion(true) ? 0 : 1);  
55.   
56.         } catch (Exception e) {  
57.             e.printStackTrace();  
58.         }  
59.     }  
60.   
61.     public static class MapJoinMapper extends Mapper<LongWritable, Text, NullWritable, Emp_Dep> {  
62.   
63.         private Map<Integer, String> joinData = new HashMap<Integer, String>();  
64.   
65.         @Override  
66.         protected void setup(Mapper<LongWritable, Text, NullWritable, Emp_Dep>.Context context) throws IOException, InterruptedException {  
67.             // 预处理把要关联的文件加载到缓存中  
68.             Path[] paths = DistributedCache.getLocalCacheFiles(context.getConfiguration());  
69.             // 我们这里只缓存了一个文件，所以取第一个即可，创建BufferReader去读取  
70.             BufferedReader reader = new BufferedReader(new FileReader(paths[0].toString()));  
71.   
72.             String str = null;  
73.             try {  
74.                 // 一行一行读取  
75.                 while ((str = reader.readLine()) != null) {  
76.                     // 对缓存中的表进行分割  
77.                     String[] splits = str.split("\t");  
78.                     // 把字符数组中有用的数据存在一个Map中  
79.                     joinData.put(Integer.parseInt(splits[0]), splits[1]);  
80.                 }  
81.             } catch (Exception e) {  
82.                 e.printStackTrace();  
83.             } finally{  
84.                 reader.close();  
85.             }  
86.   
87.         }  
88.   
89.         @Override  
90.         protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, NullWritable, Emp_Dep>.Context context) throws IOException,  
91.                 InterruptedException {  
92.             // 获取从HDFS中加载的表  
93.             String[] values = value.toString().split("\t");  
94.             // 创建Emp_Dep对象  
95.             Emp_Dep emp_Dep = new Emp_Dep();  
96.             // 设置属性  
97.             emp_Dep.setName(values[0]);  
98.             emp_Dep.setSex(values[1]);  
99.             emp_Dep.setAge(Integer.parseInt(values[2]));  
100.             // 获取关联字段depNo，这个字段是关键  
101.             int depNo = Integer.parseInt(values[3]);  
102.             // 根据depNo从内存中的关联表中获取要关联的属性depName  
103.             String depName = joinData.get(depNo);  
104.             // 设置depNo  
105.             emp_Dep.setDepNo(depNo);  
106.             // 设置depName  
107.             emp_Dep.setDepName(depName);  
108.   
109.             // 写出去  
110.             context.write(NullWritable.get(), emp_Dep);  
111.         }  
112.     }  
113. }  

程序运行的结果：