Hadoop Reduce Join和Map Join

一 Reduce Join

表1：订单表数据。字段为订单编号、品牌id、购买数量。

表2：品牌信息表。字段为品牌id，品牌名称。

01	小米
02	华为
03	格力

需求：将表1中的品牌id替换成品牌名称进行输出。

定义实体类

①包括表1和表2的所有字段。

②增加一个flag字段，区分来自于哪张表。

public class TableBean implements Writable{

//    id    pid    amount
//    pid    pname
    
    private String id;    // 订单id
    private String pid;    // 产品id
    private int amount;    // 数量
    private String pname;    // 产品名称
    private String flag;    // 定义一个标记，标记是订单表还是产品表
    
    public TableBean() {
        super();
    }
    
    public TableBean(String id, String pid, int amount, String pname, String flag) {
        super();
        this.id = id;
        this.pid = pid;
        this.amount = amount;
        this.pname = pname;
        this.flag = flag;
    }

    @Override
    public void write(DataOutput out) throws IOException {

        // 序列化方法
        out.writeUTF(id);
        out.writeUTF(pid);
        out.writeInt(amount);
        out.writeUTF(pname);
        out.writeUTF(flag);
    }

    @Override
    public void readFields(DataInput in) throws IOException {
        // 反序列化方法
        id = in.readUTF();
        pid = in.readUTF();
        amount = in.readInt();
        pname = in.readUTF();
        flag = in.readUTF();
    }

    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;
    }

    @Override
    public String toString() {
        return id + "	" + amount + "	" + pname;
    }
}

Mapper类

①需要在setup方法中通过切片信息得到文件名，即数据来自于哪张表。

②根据不同的表名封装不同的字段。

③将2张表的连接字段作为key，这样表1和表2对应的数据都可以进入到同一个reduce方法。

public class TableMapper extends Mapper<LongWritable, Text, Text, TableBean>{
    
    String name;
    
    @Override
    protected void setup(Mapper<LongWritable, Text, Text, TableBean>.Context context)
            throws IOException, InterruptedException {
        
        // 获取文件的名称
        FileSplit inputSplit = (FileSplit) context.getInputSplit();
        
        name = inputSplit.getPath().getName();
    }

    TableBean tableBean = new TableBean();
    Text k = new Text();
    
    @Override
    protected void map(LongWritable key, Text value, Context context)
            throws IOException, InterruptedException {
        
//        id    pid    amount
//        1001    01    1
//
//        pid    pname
//        01    小米
        
        // 1 获取一行
        String line = value.toString();
        
        if (name.startsWith("order")) {// 订单表
            
            String[] fields = line.split("	");
            
            // 封装key和value
            tableBean.setId(fields[0]);
            tableBean.setPid(fields[1]);
            tableBean.setAmount(Integer.parseInt(fields[2]));
            tableBean.setPname("");
            tableBean.setFlag("order");
            
            k.set(fields[1]);
            
        }else {// 产品表
            
            String[] fields = line.split("	");
            
            // 封装key和value
            tableBean.setId("");
            tableBean.setPid(fields[0]);
            tableBean.setAmount(0);
            tableBean.setPname(fields[1]);
            tableBean.setFlag("pd");
            
            k.set(fields[0]);
        }
        
        // 写出
        context.write(k, tableBean);
    }
}

Reducer类

①在同一个reduce方法中，得到多个订单表和1条对应的品牌表数据。

②将订单集合的数据循环设置品牌名称，写出。

③BeanUtils.copyProperties(tmpBean, tableBean)拷贝对象，个人觉得没必要，未测试。

public class TableReducer extends Reducer<Text, TableBean, TableBean, NullWritable>{
    
    @Override
    protected void reduce(Text key, Iterable<TableBean> values,
            Context context) throws IOException, InterruptedException {
        
        // 存储所有订单集合
        ArrayList<TableBean> orderBeans = new ArrayList<>();
        // 存储产品信息
        TableBean pdBean = new TableBean();
        
        for (TableBean tableBean : values) {
            
            if ("order".equals(tableBean.getFlag())) {// 订单表
                
                TableBean tmpBean = new TableBean();
                
                try {
                    BeanUtils.copyProperties(tmpBean, tableBean);
                    
                    orderBeans.add(tmpBean);
                    
                } catch (IllegalAccessException e) {
                    e.printStackTrace();
                } catch (InvocationTargetException e) {
                    e.printStackTrace();
                }
            }else {
                try {
                    BeanUtils.copyProperties(pdBean, tableBean);
                } catch (IllegalAccessException e) {
                    e.printStackTrace();
                } catch (InvocationTargetException e) {
                    e.printStackTrace();
                }
            }
        }
        
        
        for (TableBean tableBean : orderBeans) {
            tableBean.setPname(pdBean.getPname());
            
            context.write(tableBean, NullWritable.get());
        }
    }
}

Driver类，略。

二 Map Join

Map Join适用于一张表十分小、一张表很大的场景。在Map端缓存多张表，提前处理业务逻辑，这样增加Map端业务，减少Reduce端数据的压力，尽可能的减少数据倾斜。

Driver类

①job.addCacheFile(new URI("file:///e:/input/inputcache/pd.txt")) 将小表缓存起来。

②去掉Reducer过程。

public class DistributedCacheDriver {

    public static void main(String[] args) throws Exception, IOException {

        // 0 根据自己电脑路径重新配置
        args = new String[] { "e:/input/inputtable2", "e:/output1" };

        // 1 获取job信息
        Configuration configuration = new Configuration();
        Job job = Job.getInstance(configuration);

        // 2 设置加载jar包路径
        job.setJarByClass(DistributedCacheDriver.class);

        // 3 关联map
        job.setMapperClass(DistributedCacheMapper.class);

        // 4 设置最终输出数据类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(NullWritable.class);

        // 5 设置输入输出路径
        FileInputFormat.setInputPaths(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        // 6 加载缓存数据
        job.addCacheFile(new URI("file:///e:/input/inputcache/pd.txt"));

        // 7 Map端Join的逻辑不需要Reduce阶段，设置reduceTask数量为0
        job.setNumReduceTasks(0);

        // 8 提交
        boolean result = job.waitForCompletion(true);
        System.exit(result ? 0 : 1);

    }
}

Mapper类

①在setup方法中，逐行读取缓存的小表（品牌表），并存进Map中。

②在map方法中，处理全部业务逻辑。

public class DistributedCacheMapper extends Mapper<LongWritable, Text, Text, NullWritable>{

    HashMap<String, String> pdMap = new HashMap<>();
    
    @Override
    protected void setup(Mapper<LongWritable, Text, Text, NullWritable>.Context context)
            throws IOException, InterruptedException {
        
        // 缓存小表
        URI[] cacheFiles = context.getCacheFiles();
        String path = cacheFiles[0].getPath().toString();
        
        BufferedReader reader = new BufferedReader(new InputStreamReader(new FileInputStream(path), "UTF-8"));
        
        String line;
        while(StringUtils.isNotEmpty(line = reader.readLine())){
//            pid    pname
//            01    小米

            // 1 切割
            String[] fileds = line.split("	");
            
            pdMap.put(fileds[0], fileds[1]);
        }
        
        // 2 关闭资源
        IOUtils.closeStream(reader);
    }
    
    Text k = new Text();
    
    @Override
    protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, NullWritable>.Context context)
            throws IOException, InterruptedException {
//        id    pid    amount
//        1001    01    1
        
//        pid    pname
//        01    小米
        // 1 获取一行
        String line = value.toString();
        
        // 2 切割
        String[] fileds = line.split("	");
        
        // 3 获取pid
        String pid = fileds[1];
        
        // 4 取出pname
        String pname = pdMap.get(pid);
        
        // 5 拼接
        line = line +"	"+ pname;
        
        
        k.set(line);
        
        // 6 写出
        context.write(k, NullWritable.get());
    }
}