MapReduce 之Join应用

1.Reduce join

(1) 原理：

    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。

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，最后进行合并就ok了。

(2) 该方法的缺点

    这种方式的缺点很明显就是会造成map和reduce端也就是shuffle阶段出现大量的数据传输，效率很低。

2.Map join

(1) 使用场景：一张表十分小、一张表很大。

(2) 解决方案

    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。

(3) 具体办法：采用distributedcache

    ① 在mapper的setup阶段，将文件读取到缓存集合中。

    ② 在驱动函数中加载缓存。

        job.addCacheFile(new URI("file:/e:/mapjoincache/pd.txt"));// 缓存普通文件到task运行节点