MapReduce表连接操作之Reduce端join

一：背景

Reduce端连接比Map端连接更为普遍，因为输入的数据不需要特定的结构，但是效率比较低，因为所有数据都必须经过Shuffle过程。

二：技术实现

基本思路

(1)：Map端读取所有的文件，并在输出的内容里加上标示，代表数据是从哪个文件里来的。

(2)：在reduce处理函数中，按照标识对数据进行处理。

(3)：然后根据Key去join来求出结果直接输出。

数据准备

准备好下面两张表：

(1)：tb_a(以下简称表A)

idname1北京2天津3河北4山西5内蒙古6辽宁7吉林8黑龙江

(2)：tb_b(以下简称表B)

idstatyearnum120101962120112019220101299220111355420113574420113593920102303920112347

#需求就是以id为key做join操作(注：上面的数据都是以制表符“\t”分割)

计算模型

整个计算过程是：

(1)：在Map阶段，把所有数据标记成<key,value>的形式，其中key是id，value则根据来源不同取不同的形式：来源于A的记录，value的值为"a#"+name；来源于B的记录，value的值为"b#"+score。

(2)：在reduce阶段，先把每个key下的value列表拆分为分别来自表A和表B的两部分，分别放入两个向量中。然后遍历两个向量做笛卡尔积，形成一条条最终的结果。

如下图所示：

代码实现如下：

public class ReduceJoinTest {// 定义输入路径private static final String INPUT_PATH = "hdfs://liaozhongmin:9000/table_join/tb_*";// 定义输出路径private static final String OUT_PATH = "hdfs://liaozhongmin:9000/out";public static void main(String[] args) {try {// 创建配置信息Configuration conf = new Configuration();// 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);}// 创建任务Job job = new Job(conf, ReduceJoinTest.class.getName());//1.1设置输入目录和设置输入数据格式化的类FileInputFormat.setInputPaths(job, INPUT_PATH);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(ReduceJoinMapper.class);job.setMapOutputKeyClass(Text.class);job.setMapOutputValueClass(Text.class);//1.3设置分区和reduce数量(reduce的数量，和分区的数量对应，因为分区为一个，所以reduce的数量也是一个)job.setPartitionerClass(HashPartitioner.class);job.setNumReduceTasks(1);//1.4排序//1.5归约//2.1Shuffle把数据从Map端拷贝到Reduce端。//2.2指定Reducer类和输出key和value的类型job.setReducerClass(ReduceJoinReducer.class);job.setOutputKeyClass(Text.class);job.setOutputValueClass(Text.class);//2.3指定输出的路径和设置输出的格式化类FileOutputFormat.setOutputPath(job, new Path(OUT_PATH));job.setOutputFormatClass(TextOutputFormat.class);// 提交作业 退出System.exit(job.waitForCompletion(true) ? 0 : 1);} catch (Exception e) {e.printStackTrace();}}public static  class ReduceJoinMapper extends Mapper<LongWritable, Text, Text, Text>{@Overrideprotected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, Text>.Context context) throws IOException, InterruptedException {  //获取输入文件的全路径和名称  FileSplit fileSplit = (FileSplit) context.getInputSplit();  String path = fileSplit.getPath().toString();    //获取输入记录的字符串  String line = value.toString();    //抛弃空记录  if (line == null || line.equals("")){  return;  }    //处理来自tb_a表的记录  if (path.contains("tb_a")){  //按制表符切割  String[] values = line.split("\t");  //当数组长度小于2时，视为无效记录  if (values.length < 2){  return;  }  //获取id和name  String id = values[0];  String name = values[1];    //把结果写出去  context.write(new Text(id), new Text("a#" + name));  } else if (path.contains("tb_b")){  //按制表符切割  String[] values = line.split("\t");  //当长度不为3时，视为无效记录  if (values.length < 3){  return;  }    //获取属性  String id = values[0];  String statyear = values[1];  String num = values[2];    //写出去  context.write(new Text(id), new Text("b#" + statyear + "" + num));  }}public static class ReduceJoinReducer extends Reducer<Text, Text, Text, Text>{@Overrideprotected void reduce(Text key, Iterable<Text> values, Reducer<Text, Text, Text, Text>.Context context) throws IOException, InterruptedException {//用来存放来自tb_a表的数据Vector<String> vectorA = new Vector<String>();//用来存放来自tb_b表的Vector<String> vectorB = new Vector<String>();//迭代集合数据for (Text val : values){//将集合中的数据对应添加到Vector中if (val.toString().startsWith("a#")){vectorA.add(val.toString().substring(2));} else if (val.toString().startsWith("b#")){vectorB.add(val.toString().substring(2));}}//获取两个Vector集合的长度int sizeA = vectorA.size();int sizeB = vectorB.size();//遍历两个向量将结果写出去for (int i=0; i<sizeA; i++){for (int j=0; j<sizeB; j++){context.write(key, new Text("" + vectorA.get(i) + "" + vectorB.get(j)));}}}}}}

程序运行的结果：

细节：

(1)：当map读取源文件时，如何区分出是file1还是file2？

FileSplit fileSplit = (FileSplit)context.getInputSplit();        String path =  fileSplit.getPath().toString();

根据path就可以知道文件的来源咯。