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)

id	name
1	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)

id	statyear	num
1	2010	1962
1	2011	2019
2	2010	1299
2	2011	1355
4	2011	3574
4	2011	3593
9	2010	2303
9	2011	2347

#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
				//2.1	Shuffle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>{
		@Override
		protected 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>{
			
			@Override
			protected 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。