MapReduce之MapJoin案例
@
使用場景
Map Join 適用於一張表十分小、一張表很大的場景。
優點
思考：在Reduce 端處理過多的表，非常容易產生數據傾斜。怎麼辦？
在Map端快取多張表，提前處理業務邏輯，這樣增加Map 端業務，減少Reduce 端數據的壓力，儘可能的減少數據傾斜。
具體辦法：採用DistributedCache
（1）在Mapper的setup階段，將文件讀取到快取集合中。
（2）在驅動函數中載入快取。
/快取普通文件到Task運行節點。
job.addCacheFile(new URI("file://e:/cache/pd.txt");
案例
每個MapTask在map()中完成Join
注意：
- 只需要將要Join的數據order.txt作為切片，讓MapTask讀取
- pd.txt不以切片形式讀入，而直接在MapTask中使用HDFS下載此文件，下載後，使用輸入流手動讀取其中的數據
- 在map()之前通常是將大文件以切片形式讀取，小文件手動讀取！
order.txt—->切片(orderId,pid,amount)—-JoinMapper.map()
pd.txt—–>切片(pid,pname)—-JoinMapper.map()
需求分析
MapJoin適用於關聯表中有小表的情形
程式碼實現
JoinBean.java
public class JoinBean {
private String orderId;
private String pid;
private String pname;
private String amount;
@Override
public String toString() {
return orderId + "\t" + pname + "\t" + amount ;
}
public String getOrderId() {
return orderId;
}
public void setOrderId(String orderId) {
this.orderId = orderId;
}
public String getPid() {
return pid;
}
public void setPid(String pid) {
this.pid = pid;
}
public String getPname() {
return pname;
}
public void setPname(String pname) {
this.pname = pname;
}
public String getAmount() {
return amount;
}
public void setAmount(String amount) {
this.amount = amount;
}
}
MapJoinMapper.java
/*
* 1. 在Hadoop中，hadoop為MR提供了分散式快取
* ①用來快取一些Job運行期間的需要的文件(普通文件，jar，歸檔文件(har))
* ②通過在Job的Configuration中，使用uri代替要快取的文件
* ③分散式快取會假設當前的文件已經上傳到了HDFS，並且在集群的任意一台機器都可以訪問到這個URI所代表的文件
* ④分散式快取會在每個節點的task運行之前，提前將文件發送到節點
* ⑤分散式快取的高效是由於每個Job只會複製一次文件，且可以自動在從節點對歸檔文件解歸檔
*
*
*
*
*/
public class MapJoinMapper extends Mapper<LongWritable, Text, JoinBean, NullWritable>{
private JoinBean out_key=new JoinBean();
private Map<String, String> pdDatas=new HashMap<String, String>();
//在map之前手動讀取pd.txt中的內容
@Override
protected void setup(Mapper<LongWritable, Text, JoinBean, NullWritable>.Context context)
throws IOException, InterruptedException {
//從分散式快取中讀取數據
URI[] files = context.getCacheFiles();
for (URI uri : files) {
BufferedReader reader = new BufferedReader(new FileReader(new File(uri)));
String line="";
//循環讀取pd.txt中的每一行
while(StringUtils.isNotBlank(line=reader.readLine())) {
String[] words = line.split("\t");
pdDatas.put(words[0], words[1]);
}
reader.close();
}
}
//對切片中order.txt的數據進行join，輸出
@Override
protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, JoinBean, NullWritable>.Context context)
throws IOException, InterruptedException {
String[] words = value.toString().split("\t");
out_key.setOrderId(words[0]);
out_key.setPname(pdDatas.get(words[1]));
out_key.setAmount(words[2]);
context.write(out_key, NullWritable.get());
}
}
MapJoinDriver.java
public class MapJoinDriver {
public static void main(String[] args) throws Exception {
Path inputPath=new Path("e:/mrinput/mapjoin");
Path outputPath=new Path("e:/mroutput/mapjoin");
//作為整個Job的配置
Configuration conf = new Configuration();
//保證輸出目錄不存在
FileSystem fs=FileSystem.get(conf);
if (fs.exists(outputPath)) {
fs.delete(outputPath, true);
}
// ①創建Job
Job job = Job.getInstance(conf);
job.setJarByClass(MapJoinDriver.class);
// 為Job創建一個名字
job.setJobName("wordcount");
// ②設置Job
// 設置Job運行的Mapper，Reducer類型，Mapper,Reducer輸出的key-value類型
job.setMapperClass(MapJoinMapper.class);
// 設置輸入目錄和輸出目錄
FileInputFormat.setInputPaths(job, inputPath);
FileOutputFormat.setOutputPath(job, outputPath);
// 設置分散式快取
job.addCacheFile(new URI("file:///e:/pd.txt"));
//取消reduce階段
job.setNumReduceTasks(0);
// ③運行Job
job.waitForCompletion(true);
}
}
