Hadoop之Join、计数器、数据清洗概述

Hadoop之Join、计数器、数据清洗概述

---

目录

1. Reduce join
2. Map join
3. 计数器应用
4. 数据清洗（ETL）

---

1. Reduce join

1. 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，如图下图所示
      

---

3. 计数器应用

Hadoop为每个作业维护若干内置计数器，以描述多项指标。例如，某些计数器记录已处理的字节数和记录数，使用户可监控已处理的输入数据量和已产生的输出数据量。

1. API
   1. 采用枚举的方式统计计数
      enum MyCounter{MALFORORMED,NORMAL}
      //对枚举定义的自定义计数器加1
      context.getCounter(MyCounter.MALFORORMED).increment(1);
   2. 采用计数器组、计数器名称的方式统计
      context.getCounter(“counterGroup”, “countera”).increment(1);
      组名和计数器名称随便起，但最好有意义。
   3. 计数结果在程序运行后的控制台上查看。

---

4. 数据清洗（ETL）

概述
在运行核心业务Mapreduce程序之前，往往要先对数据进行清洗，清理掉不符合用户要求的数据。清理的过程往往只需要运行mapper程序，不需要运行reduce程序。