Map Join

1）使用场景

Map Join适用于一张表十分小、一张表很大的场景。

2）优点

思考：在Reduce端处理过多的表，非常容易产生数据倾斜。怎么办？

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Driver驱动类中加载缓存。

//缓存普通文件到Task运行节点。

//缓存普通文件到Task运行节点。

job.addCacheFile(new URI("file:///e:/cache/pd.txt"));

//如果在集群上运行

Job.addCacheFile(new
URI(“hdfs://hadoop102:9820/cache/pd.txt”)

Map Join案例实操

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;

/**
 * @author zrr
 * @Create 2020-07-2020/7/24 20:29
 */
public class MapjoinDriver {
    public static void main(String[] args) throws Exception{
        // 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(MapjoinDriver.class);
        // 3 关联map
        job.setMapperClass(MapJoinMapper.class);
        // 4 设置Map输出KV类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(NullWritable.class);
        // 5 设置最终输出KV类型
        job.setOutputKeyClass(Text.class);

        job.setOutputValueClass(NullWritable.class);

        // 加载缓存数据
        job.addCacheFile(new URI("file:///D:/input/inputcache/pd.txt"));//小表
        // Map端Join的逻辑不需要Reduce阶段，设置reduceTask数量为0
        job.setNumReduceTasks(0);

        // 6 设置输入输出路径
        FileInputFormat.setInputPaths(job, new Path("D:\\input\\inputtable2"));//输入大表
        FileOutputFormat.setOutputPath(job, new Path("D:\\hadoop\\mapjoin077887"));
        // 7 提交
        boolean result = job.waitForCompletion(true);
        System.exit(result ? 0 : 1);
    }

}

import org.apache.commons.lang3.StringUtils;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.URI;
import java.util.HashMap;

/**
 * @author zrr
 * @Create 2020-07-2020/7/24 20:30
 */
public class MapJoinMapper extends Mapper<LongWritable,Text, Text, NullWritable> {
     HashMap<String, String> pdMap=new HashMap<>();
     Text outK=new Text();
    @Override
    protected void setup(Context context) throws IOException, InterruptedException {
        //获取在driver添加的缓存文件
        URI[] cacheFiles = context.getCacheFiles();
        //获取fs对象
        FileSystem fs = FileSystem.get(context.getConfiguration());
        FSDataInputStream fis = fs.open(new Path(cacheFiles[0]));

        BufferedReader reader=new BufferedReader(new InputStreamReader(fis,"UTF-8"));

        String line;

        while (StringUtils.isNotEmpty(line=reader.readLine())){
            //01   小米
            String[] split = line.split("\t");
            pdMap.put(split[0],split[1]);

        }
        IOUtils.closeStream(reader);
       // fs.close();
    }

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
       //获取一行数据 1001   01 1
        String line = value.toString();
        //切割
        String[] split = line.split("\t");
        //通过切割出来的pid，去pdMap里面获取到pname
        String pname = pdMap.get(split[1]);
        //封装outK
        outK.set(split[0]+"\t"+pname+"\t"+split[2]);
        //写出
        context.write(outK,NullWritable.get());
    }
}