MapReduce【mapJoin&reduceJoin】-阿里云开发者社区

ReduceJoin需求

类似于MySQL的join操作，我们希望将两张表合并为一张表，即将order.txt的pid替换为pd.txt中pid对应的pname。

输入

order.txt

id     pid  amounts
1001  01  1
1002  02  2
1003  03  3
1004  01  4
1005  02  5
1006  03  6

pd.txt

pid pname
01  小米
02  华为
03  格力

输出

id    pname    amounts
1004  小米  4
1001  小米  1
1005  华为  5
1002  华为  2
1006  格力  6
1003  格力  3

代码

TableBean

我们待会在Mapper输出之后，希望是以一个TableBean的对象的形式输出，方便在Reducer中获取它的属性。它需要重写序列化和反序列化方法，因为我们实际开发中可能会遇到跨节点的传送。

package com.lyh.mapreduce.reduceJoin;
import org.apache.hadoop.io.Writable;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
public class TableBean implements Writable {
    private String id;//订单id
    private String pid;//产品id
    private int amount;//产品数量
    private String pname;//产品名称
    private String flag;//判断是order表还是pd表的标志字段
    public TableBean() {
    }
    public String getId() {
        return id;
    }
    public void setId(String id) {
        this.id = id;
    }
    public String getPid() {
        return pid;
    }
    public void setPid(String pid) {
        this.pid = pid;
    }
    public int getAmount() {
        return amount;
    }
    public void setAmount(int amount) {
        this.amount = amount;
    }
    public String getPname() {
        return pname;
    }
    public void setPname(String pname) {
        this.pname = pname;
    }
    public String getFlag() {
        return flag;
    }
    public void setFlag(String flag) {
        this.flag = flag;
    }
    //序列化方法
    @Override
    public void write(DataOutput out) throws IOException {
        out.writeUTF(id);
        out.writeUTF(pid);
        out.writeInt(amount);
        out.writeUTF(pname);
        out.writeUTF(flag);
    }
    //反序列化方法
    @Override
    public void readFields(DataInput in) throws IOException {
        this.id = in.readUTF();
        this.pid = in.readUTF();
        this.amount = in.readInt();
        this.pname = in.readUTF();
        this.flag = in.readUTF();
    }
    @Override
    public String toString() {
        return id + "\t" + pname + "\t" + amount;
    }
}

TableMapper

我们需要在setup预处理阶段获取到此刻的文件名称，来区分此时的文件是order.txt还是pd.txt，从而输出不同的结果。

经过Mapper处理后，输出：

pid     id    amounts pname flag
01     1001    1        ""    order
01     1004    4        ""    order
01    ""        0    小米    pd
02     1002    2        ""    order
02     1005    5        ""    order
02    ""        0    华为    pd
03     1003    3        ""    order
03     1006    6        ""    order
03    ""        0    格力    pd

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.InputSplit;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileSplit;
import java.io.IOException;
public class TableMapper extends Mapper<LongWritable, Text, Text,TableBean> {
    private String fileName;
    private Text OUT_KEY = new Text();
    private TableBean OUT_VALUE = new TableBean();
    @Override
    protected void setup(Context context) throws IOException, InterruptedException {
        //获取对应的文件名称
        FileSplit split = (FileSplit) context.getInputSplit();
        fileName = split.getPath().getName();
    }
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        //读取一行文本
        String line = value.toString();
        if (fileName.contains("order")) {//订单表
            String[] split = line.split("\t");
            //输入
            // id pid amount
            // 输出
            // pid id amount "" order
            OUT_KEY.set(split[1]);
            OUT_VALUE.setId(split[0]);
            OUT_VALUE.setPid(split[1]);
            OUT_VALUE.setAmount(Integer.parseInt(split[2]));
            OUT_VALUE.setPname("");
            OUT_VALUE.setFlag("order");
        }else {//商品表
            String[] split = line.split("\t");
            //输入
            //pid name
            //输出
            //pid "" 0 name pd
            OUT_KEY.set(split[0]);
            OUT_VALUE.setId("");
            OUT_VALUE.setPid(split[0]);
            OUT_VALUE.setAmount(0);
            OUT_VALUE.setPname(split[1]);
            OUT_VALUE.setFlag("pd");
        }
        context.write(OUT_KEY,OUT_VALUE);
    }
}

TableReducer

当我们遍历reduce方法的参数values往list集合中添加对象时，hadoop默认会将我们的对象地址添加进去，而不是我们的实际对象，所以需要一个中间变量（TableBean类型），通过它来向list添加对象实现，并通过BeanUtils.copyProperties(tmp，value)。

import org.apache.commons.beanutils.BeanUtils;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
import java.lang.reflect.InvocationTargetException;
import java.util.ArrayList;
import java.util.List;
public class TableReducer extends Reducer<Text,TableBean,TableBean, NullWritable> {
    @Override
    protected void reduce(Text key, Iterable<TableBean> values, Context context) throws IOException, InterruptedException {
        //传进来相同key的values
//        pid   id   amount  name   flag
//        01  1001    1       ""    order
//        01  1004    4       ""    order
//        01    ""    0       小米    pd
        //创建集合
        List<TableBean> list = new ArrayList<>();
        TableBean pdBean = new TableBean();
        for (TableBean tableBean : values) {
            if (tableBean.getFlag().contains("order")){//订单表
                //hadoop默认为了优化会将对象类型的数据当做地址来存,这就使得我们的集合存的是地址而不是对象,需要我们自己来定义一个临时对象来存
                TableBean tmp =  new TableBean();
                try {
                    BeanUtils.copyProperties(tmp,tableBean);
                } catch (IllegalAccessException e) {
                    e.printStackTrace();
                } catch (InvocationTargetException e) {
                    e.printStackTrace();
                }
                list.add(tmp);
            }else {//商品表
                try {
                    BeanUtils.copyProperties(pdBean,tableBean);
                } catch (IllegalAccessException e) {
                    e.printStackTrace();
                } catch (InvocationTargetException e) {
                    e.printStackTrace();
                }
            }
        }
        //循环遍历 list
//       pid   id   amount  name   flag
//        01  1001    1       ""    order
//        01  1004    4       ""    order
        for (TableBean tableBean : list) {
            tableBean.setPname(pdBean.getPname());
            context.write(tableBean,NullWritable.get());
        }
    }
}

TableDriver

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.io.IOException;
public class TableDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        Job job = Job.getInstance(new Configuration());
        job.setJarByClass(TableDriver.class);
        job.setMapperClass(TableMapper.class);
        job.setReducerClass(TableReducer.class);
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(TableBean.class);
        job.setOutputKeyClass(TableBean.class);
        job.setOutputValueClass(NullWritable.class);
        FileInputFormat.setInputPaths(job, new Path("D:\\MapReduce_Data_Test\\reducejoin\\input"));
        FileOutputFormat.setOutputPath(job, new Path("D:\\MapReduce_Data_Test\\reducejoin\\output"));
        boolean b = job.waitForCompletion(true);
        System.exit(b ? 0 : 1);
    }
}

MapJoin需求

MapJoin适用于一个小表和一个大表进行Join操作的场景，其中小表可以被完全放入内存中。通常，如果使用普通的Join方式，大表需要在每个任务中进行扫描和读取，会产生大量的磁盘I/O和网络传输，导致查询性能较差。而使用MapJoin，则可以将小表放入内存中，并且只需要扫描一次大表，将其与小表进行Join操作，从而大幅提高查询性能。

我们这里的pd.txt正是我们的小表，order.txt是大表，实际开发中它可能是上百万条的数据，所以我们可以将pd.txt放进内存。

我们之前的reduceJoin中，开启了一个reduceTask，显然面对大数据量效率一定很低，这里我们不需要开启ReduceTask，因为我们mapTask本来就是每128MB开启一个MapTask，而我们的结果再Mapper处理之后就已经是我们需要的结果了。

MapJoinMapper

这里需要读取Job设置的缓存目录（存放我们的小表pd.txt）。

import org.apache.commons.lang3.StringUtils;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.URI;
import java.util.HashMap;
public class MapJoinMapper extends Mapper<LongWritable, Text, Text, NullWritable> {
    //map(pid,pname)
    private HashMap<String, String> pdMap = new HashMap<>();
    private Text outK = new Text();
    @Override
    protected void setup(Mapper<LongWritable, Text, Text, NullWritable>.Context context) throws IOException, InterruptedException {
        //获取缓存文件并封装
        URI[] cacheFiles = context.getCacheFiles();
        FileSystem fs = FileSystem.get(context.getConfiguration());
        FSDataInputStream fis = fs.open(new Path(cacheFiles[0]));
        //从流中读取数据
        BufferedReader reader = new BufferedReader(new InputStreamReader(fis, "UTF-8"));
        String line;
        while (StringUtils.isNoneEmpty(line = reader.readLine())) {
            //切割
            String[] fields = line.split("\t");
            //赋值
            pdMap.put(fields[0], fields[1]);
        }
        //关流
        IOUtils.closeStream(reader);
    }
    @Override
    protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, NullWritable>.Context context) throws IOException, InterruptedException {
        //处理order.txt
        String line = value.toString();
        String[] fields = line.split("\t");
        //获取id
        String id = fields[0];
        //从产品缓存文件中获取pname
        String pname = pdMap.get(fields[1]);
        //数量
        String amount = fields[2];
        //封装
        outK.set(id + "\t" + pname + "\t" + amount);
        context.write(outK, NullWritable.get());
    }
}

MapJoinDriver

这里需要注意的就是输入目录只有order.txt，reduceTask的数量应该为0、需要设置缓存目录存放我们的小表（pd.txt）。

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;
/**
 * 需要注意的是pd.txt需要放到缓存目录下,当MapReduce程序启动时会自动将它放到内存
 * input目录只能有 order.txt
 */
public class MapJoinDriver {
    public static void main(String[] args) throws IOException, URISyntaxException, ClassNotFoundException, InterruptedException, IOException {
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);
        job.setJarByClass(MapJoinDriver.class);
        job.setMapperClass(MapJoinMapper.class);
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(NullWritable.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(NullWritable.class);
        // 加载缓存数据到本地磁盘
        job.addCacheFile(new URI("file:///D:/MapReduce_Data_Test/mapjoin/cache/pd.txt"));
        //加载缓存到HDFS
//        job.addCacheFile(new URI("hdfs://hadoop102:8020/cache/pd.txt"));
        // Map端Join的逻辑不需要Reduce阶段，设置reduceTask数量为0
        job.setNumReduceTasks(0);
        //使用reducejoin的数据
        FileInputFormat.setInputPaths(job, new Path("D:\\MapReduce_Data_Test\\mapjoin\\input"));
        FileOutputFormat.setOutputPath(job, new Path("D:\\MapReduce_Data_Test\\mapjoin\\output"));
        boolean b = job.waitForCompletion(true);
        System.exit(b ? 0 : 1);
    }
}

运行结果

1004  小米  4
1001  小米  1
1005  华为  5
1002  华为  2
1006  格力  6
1003  格力  3

MapReduce【mapJoin&reduceJoin】