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

namesexagedepNozhangmale201lifemale252wangfemale303zhoumale352

表二：tb_b数据如下

depNodepName1sales2Dev3Mgt

#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：

public class MyMapJoin {// 定义输入路径private static String INPUT_PATH1 = "";//加载到内存的表的路径private static String INPUT_PATH2 = "";// 定义输出路径private static String OUT_PATH = "";public static void main(String[] args) {try {// 创建配置信息Configuration conf = new Configuration();// 获取命令行的参数String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();// 当参数违法时，中断程序if (otherArgs.length != 3) {System.err.println("Usage:MyMapJoin<in1> <in2> <out>");System.exit(1);}// 给路径赋值INPUT_PATH1 = otherArgs[0];INPUT_PATH2 = otherArgs[1];OUT_PATH = otherArgs[2];// 创建文件系统FileSystem fileSystem = FileSystem.get(new URI(OUT_PATH), conf);// 如果输出目录存在，我们就删除if (fileSystem.exists(new Path(OUT_PATH))) {fileSystem.delete(new Path(OUT_PATH), true);}// 添加到内存中的文件(随便添加多少个文件)DistributedCache.addCacheFile(new Path(INPUT_PATH2).toUri(), conf);// 创建任务Job job = new Job(conf, MyMapJoin.class.getName());// 打成jar包运行，这句话是关键job.setJarByClass(MyMapJoin.class);//1.1 设置输入目录和设置输入数据格式化的类FileInputFormat.setInputPaths(job, INPUT_PATH1);job.setInputFormatClass(TextInputFormat.class);//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job.setMapperClass(MapJoinMapper.class);job.setMapOutputKeyClass(NullWritable.class);job.setMapOutputValueClass(Emp_Dep.class);//1.3 设置分区和reduce数量job.setPartitionerClass(HashPartitioner.class);job.setNumReduceTasks(0);FileOutputFormat.setOutputPath(job, new Path(OUT_PATH));// 提交作业 退出System.exit(job.waitForCompletion(true) ? 0 : 1);} catch (Exception e) {e.printStackTrace();}}public static class MapJoinMapper extends Mapper<LongWritable, Text, NullWritable, Emp_Dep> {private Map<Integer, String> joinData = new HashMap<Integer, String>();@Overrideprotected void setup(Mapper<LongWritable, Text, NullWritable, Emp_Dep>.Context context) throws IOException, InterruptedException {// 预处理把要关联的文件加载到缓存中Path[] paths = DistributedCache.getLocalCacheFiles(context.getConfiguration());// 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BufferedReader reader = new BufferedReader(new FileReader(paths[0].toString()));String str = null;try {// 一行一行读取while ((str = reader.readLine()) != null) {// 对缓存中的表进行分割String[] splits = str.split("\t");// 把字符数组中有用的数据存在一个Map中joinData.put(Integer.parseInt(splits[0]), splits[1]);}} catch (Exception e) {e.printStackTrace();} finally{reader.close();}}@Overrideprotected void map(LongWritable key, Text value, Mapper<LongWritable, Text, NullWritable, Emp_Dep>.Context context) throws IOException,InterruptedException {// 获取从HDFS中加载的表String[] values = value.toString().split("\t");// 创建Emp_Dep对象Emp_Dep emp_Dep = new Emp_Dep();// 设置属性emp_Dep.setName(values[0]);emp_Dep.setSex(values[1]);emp_Dep.setAge(Integer.parseInt(values[2]));// 获取关联字段depNo，这个字段是关键int depNo = Integer.parseInt(values[3]);// 根据depNo从内存中的关联表中获取要关联的属性depNameString depName = joinData.get(depNo);// 设置depNoemp_Dep.setDepNo(depNo);// 设置depNameemp_Dep.setDepName(depName);// 写出去context.write(NullWritable.get(), emp_Dep);}}}

程序运行的结果：

注：这个程序不知道为什么要打成jar包的方式才能运行，直接通过Eclipse链接服务器运行会失败(如果有知道的朋友，请指教！)