系统环境
Linux Ubuntu 16.04
jdk-7u75-linux-x64
hadoop-2.6.0-cdh5.4.5
hadoop-2.6.0-eclipse-cdh5.4.5.jar
eclipse-java-juno-SR2-linux-gtk-x86_64
相关知识
在Reudce端进行Join连接是MapReduce框架进行表之间Join操作最为常见的模式。
1.Reduce端Join实现原理
(1)Map端的主要工作,为来自不同表(文件)的key/value对打标签以区别不同来源的记录。然后用连接字段作为key,其余部分和新加的标志作为value,最后进行输出。
(2)Reduce端的主要工作,在Reduce端以连接字段作为key的分组已经完成,我们只需要在每一个分组当中将那些来源于不同文件的记录(在map阶段已经打标志)分开,最后进行笛卡尔只就ok了。
2.Reduce端Join的使用场景
Reduce端连接比Map端连接更为普遍,因为在map阶段不能获取所有需要的join字段,即:同一个key对应的字段可能位于不同map中,但是Reduce端连接效率比较低,因为所有数据都必须经过Shuffle过程。
3.本实验的Reduce端Join代码执行流程:
(1)Map端读取所有的文件,并在输出的内容里加上标识,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)然后将相同的key值进行Join连接操作,求出结果并直接输出。
任务内容
现有某电商网站两张信息表,分别为订单表orders1和订单明细表order_items1,orders1表记录了用户购买商品的下单日期以及订单编号,order_items1表记录了商品id,订单id以及明细id,它们的表结构以及关系如下图所示。
两表的数据内容如下:
orders1表
订单ID 订单号 用户ID 下单日期
52304 111215052630 176474 2011-12-15 04:58:21
52303 111215052629 178350 2011-12-15 04:45:31
52302 111215052628 172296 2011-12-15 03:12:23
52301 111215052627 178348 2011-12-15 02:37:32
52300 111215052626 174893 2011-12-15 02:18:56
52299 111215052625 169471 2011-12-15 01:33:46
52298 111215052624 178345 2011-12-15 01:04:41
52297 111215052623 176369 2011-12-15 01:02:20
52296 111215052622 178343 2011-12-15 00:38:02
52295 111215052621 178342 2011-12-15 00:18:43
52294 111215052620 178341 2011-12-15 00:14:37
52293 111215052619 178338 2011-12-15 00:13:07
order_items1表
明细ID 订单ID 商品ID
252578 52293 1016840
252579 52293 1014040
252580 52294 1014200
252581 52294 1001012
252582 52294 1022245
252583 52294 1014724
252584 52294 1010731
252586 52295 1023399
252587 52295 1016840
252592 52296 1021134
252593 52296 1021133
252585 52295 1021840
252588 52295 1014040
252589 52296 1014040
252590 52296 1019043
要求查询在2011-12-15日该电商都有哪些用户购买了什么商品。
结果数据如下:
订单ID 用户ID 下单日期 商品ID
52293 178338 2011-12-15 00:13:07 1016840
52293 178338 2011-12-15 00:13:07 1014040
52294 178341 2011-12-15 00:14:37 1010731
52294 178341 2011-12-15 00:14:37 1014724
52294 178341 2011-12-15 00:14:37 1022245
52294 178341 2011-12-15 00:14:37 1014200
52294 178341 2011-12-15 00:14:37 1001012
52295 178342 2011-12-15 00:18:43 1023399
52295 178342 2011-12-15 00:18:43 1014040
52295 178342 2011-12-15 00:18:43 1021840
52295 178342 2011-12-15 00:18:43 1016840
52296 178343 2011-12-15 00:38:02 1021134
52296 178343 2011-12-15 00:38:02 1021133
52296 178343 2011-12-15 00:38:02 1014040
52296 178343 2011-12-15 00:38:02 1019043
任务步骤
1.切换到/apps/hadoop/sbin目录下,开启Hadoop。
cd /apps/hadoop/sbin
./start-all.sh
2.在Linux本地新建/data/mapreduce6目录。
mkdir -p /data/mapreduce6
3.在Linux中切换到/data/mapreduce6目录下,用wget命令从http://192.168.1.100:60000/allfiles/mapreduce6/orders1和http://192.168.1.100:60000/allfiles/mapreduce6/order_items1网址上下载文本文件orders1,order_items1。
cd /data/mapreduce6
wget http://192.168.1.100:60000/allfiles/mapreduce6/orders1
wget http://192.168.1.100:60000/allfiles/mapreduce6/order_items1
然后在当前目录下用wget命令从http://192.168.1.100:60000/allfiles/mapreduce6/hadoop2lib.tar.gz网址上下载项目用到的依赖包。
wget http://192.168.1.100:60000/allfiles/mapreduce6/hadoop2lib.tar.gz
将hadoop2lib.tar.gz解压到当前目录下。
tar zxvf hadoop2lib.tar.gz
4.首先在HDFS上新建/mymapreduce6/in目录,然后将Linux本地/data/mapreduce6目录下的orders1和order_items1文件导入到HDFS的/mymapreduce6/in目录中。
hadoop fs -mkdir -p /mymapreduce6/in
hadoop fs -put /data/mapreduce6/orders1 /mymapreduce6/in
hadoop fs -put /data/mapreduce6/order_items1 /mymapreduce6/in
5.打开Eclipse,新建Java Project项目,项目名mapreduce6。
在mapreduce6下新建包,包名为mapreduce,在mapreduce包下新建类,类名为ReduceJoin。
6.添加项目所需依赖的jar包,右键单击项目,新建一个目录,用于存放项目所需的jar包。
将/data/mapreduce6目录下,hadoop2lib目录中的jar包,拷贝到eclipse中mapreduce6项目的hadoop2lib目录下,选中hadoop2lib目录下所有jar包,并添加到Build Path中。
7.编写程序代码,并描述其设计思路。
(1)Map端读取所有的文件,并在输出的内容里加上标识,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)然后将相同key值进行join连接操作,求出结果并直接输出。
Mapreduce中join连接分为Map端Join与Reduce端Join,这里是一个Reduce端Join连接。程序主要包括两部分:Map部分和Reduce部分。
Map代码
public static class mymapper extends Mapper<Object, Text, Text, Text>{
@Override
protected void map(Object key, Text value, Context context)
throws IOException, InterruptedException {
String filePath = ((FileSplit)context.getInputSplit()).getPath().toString();
if (filePath.contains("orders1")) {
//获取行文本内容
String line = value.toString();
//对行文本内容进行切分
String[] arr = line.split("\t");
///把结果写出去<