MapReduce中的Map join操作

标签：

可以使用setup进行去读，吧数据读取放到一个容器中，在map段去读的时候，可以根据ID就找出数据，然后再转化回来

map端的join

适用场景，小表可以全部读取放到内存中，两个在内存中装不下的大表，不适合Map端的join操作

在一个TaskTracker中可以运行多个map任务。每个map任务是一个java进程，如果每个map从HDFS中读取相同的小表内容，就有些浪费了。
使用DistributedCache，小表内容可以加载在TaskTracker的linux磁盘上。每个map运行时只需要从linux磁盘加载数据就行了，不必每次从HDFS加载。

问：如何使用DistributedCache哪？
答：1.把文件上传到HDFS中
2.在job.waitForCompletion(...)代码之前写DistributedCache.addCacheFile(hdfs路径, conf);
3.在MyMapper类的setup(...)方法中使用DistributedCache.getLocalCacheFiles()获得文件的路径，读取文件内容

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

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

表二：tb_b数据如下

depNo	depName
1	sales
2	Dev
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：

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>();

		@Override
		protected 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();
			}

		}

		@Override
		protected 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depName
			String depName = joinData.get(depNo);
			// 设置depNo
			emp_Dep.setDepNo(depNo);
			// 设置depName
			emp_Dep.setDepName(depName);

			// 写出去
			context.write(NullWritable.get(), emp_Dep);
		}
	}
}

程序运行的结果：

MapReduce中的Map join操作

标签：

原文地址：http://www.cnblogs.com/thinkpad/p/5047563.html