MapReduce编程：Join应用

1. Reduce Join

Map 端的主要工作：为来自不同表或文件的 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，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，最后进行合并就可以。

缺点 : 这种方式中，合并的操作是在 Reduce 阶段完成， Reduce 端的处理压力太大 , Map节点的运算负载则很低，资源利用率不高，且在 Reduce 阶段极易产生数据倾斜

。

案例

score.txt

name.txt

输出：

解题思路：

map输出key value是什么？

Map 输出 Key ：编号

Map 输出 Value: Bean 对象

reduce输出key value是什么？

Reduce 输出 key ： Bean 对象

Reduce 输出 value: 空

ScoreBeann

package com.nefu.zhangna.reducejoin;

import org.apache.hadoop.io.Writable;

import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;

public class ScoreBeann implements Writable {
    private String uid;
    private String sid;
    private int score;
    private String name;
    private String flag;
    public ScoreBeann() {
    }
    public String getUid(){
        return uid;
    }
    public void setUid(String uid) {
        this.uid = uid;
    }

    public String getSid() {
        return sid;
    }

    public void setSid(String sid) {
        this.sid = sid;
    }

    public int getScore() {
        return score;
    }

    public void setScore(int score) {
        this.score = score;
    }

    public String getName() {
        return name;
    }

    public void setName(String name) {
        this.name = name;
    }

    public String getFlag() {
        return flag;
    }

    public void setFlag(String flag) {
        this.flag = flag;
    }
    @Override
    public void write(DataOutput out) throws IOException {
        out.writeUTF(uid);
        out.writeUTF(sid);
        out.writeInt(score);
        out.writeUTF(name);
        out.writeUTF(flag);
    }
    @Override
    public void readFields(DataInput in) throws IOException {
        this.uid=in.readUTF();
        this.sid=in.readUTF();
        this.score=in.readInt();
        this.name=in.readUTF();
        this.flag=in.readUTF();
    }
    @Override
    public String toString(){
        return "uid="+this.uid+"\t"+"name:"+this.name+"\t"+"score"+this.score;
    }
}

ScoreMapper

package com.nefu.zhangna.reducejoin;

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileSplit;

import java.io.IOException;


public class ScoreMapper extends Mapper<LongWritable, Text,Text, ScoreBeann>{
    private Text outk=new Text();
    private ScoreBeann outv=new ScoreBeann();
    private String filename;

    @Override
    protected void setup(Context context){
        FileSplit split=(FileSplit)  context.getInputSplit();
        filename=split.getPath().getName();
    }
    public void map(LongWritable key,Text value,Context context) throws IOException, InterruptedException {
        String line=value.toString();
        if (filename.contains("score")){
            String[] sp=line.split("\t");
            outk.set(sp[1]);
            outv.setSid(sp[1]);
            outv.setUid(sp[0]);
            outv.setName("");
            outv.setScore(Integer.parseInt(sp[2]));
            outv.setFlag("score");
        }else {
            String[] sp1=line.split("\t");
            outk.set(sp1[0]);
            outv.setUid("");
            outv.setName(sp1[1]);
            outv.setScore(0);
            outv.setSid(sp1[0]);
            outv.setFlag("name");
        }
        context.write(outk,outv);
    }
}

ScoreReducer

package com.nefu.zhangna.reducejoin;

import org.apache.commons.beanutils.BeanUtils;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;
import java.lang.reflect.InvocationTargetException;
import java.util.ArrayList;

public class ScoreReducer extends Reducer<Text, ScoreBeann,ScoreBeann,NullWritable> {
    @Override
    protected void reduce(Text key,Iterable<ScoreBeann> values,Context context) throws IOException, InterruptedException {
        ArrayList<ScoreBeann> scoreBeanns=new ArrayList<ScoreBeann>();
        ScoreBeann namebean=new ScoreBeann();
        for (ScoreBeann value:values){
            if("score".equals(value.getFlag())){
                ScoreBeann tmpbean=new ScoreBeann();
                try {
                    BeanUtils.copyProperties(tmpbean,value);
                } catch (IllegalAccessException e) {
                    e.printStackTrace();
                } catch (InvocationTargetException e) {
                    e.printStackTrace();
                }
                scoreBeanns.add(tmpbean);
            }else {
                try {
                    BeanUtils.copyProperties(namebean,value);
                } catch (IllegalAccessException e) {
                    e.printStackTrace();
                } catch (InvocationTargetException e) {
                    e.printStackTrace();
                }
            }
        }
        for(ScoreBeann scoreBeann:scoreBeanns){
            scoreBeann.setName(namebean.getName());
            context.write(scoreBeann,NullWritable.get());
        }
    }
}

ScoreDriver

package com.nefu.zhangna.maxcount;


import com.nefu.zhangna.reducejoin.ScoreBeann;
import com.nefu.zhangna.reducejoin.ScoreMapper;
import com.nefu.zhangna.reducejoin.ScoreReducer;
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.File;
import java.io.IOException;

public class ScoreDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        Configuration configuration=new Configuration();
         Job job=Job.getInstance(configuration);
         job.setJarByClass(ScoreDriver.class);
         job.setMapperClass(ScoreMapper.class);
         job.setReducerClass(ScoreReducer.class);
         job.setMapOutputKeyClass(Text.class);
         job.setMapOutputValueClass(ScoreBeann.class);
         job.setOutputKeyClass(ScoreBeann.class);
         job.setOutputValueClass(NullWritable.class);
        FileInputFormat.setInputPaths(job,new Path("D:\\cluster\\input"));
        FileOutputFormat.setOutputPath(job,new Path("D:\\cluster\\score"));
        boolean result=job.waitForCompletion(true);
        System.exit(result?0:1);
    }
}

缺点 : 这种方式中，合并的操作是在 Reduce 阶段完成， Reduce 端的处理压力太大 , Map节点的运算负载则很低，资源利用率不高，且在 Reduce 阶段极易产生数据倾斜

。

2. 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

protected void setup(Context context) throws IOException {
//获取缓存文件并封装到集合里
URI[] cacheFiles=context.getCacheFiles();
Path path=new Path(cacheFiles[0]);
FileSystem fileSystem=FileSystem.get(context.getConfiguration());
FSDataInputStream fis=fileSystem.open(path);
BufferedReader bufferedReader=new BufferedReader(new InputStreamReader(fis,"utf-8"));
String line;
while (!StringUtils.isEmpty(line=bufferedReader.readLine())){
String[] fileds=line.split("\t");
rmap.put(fileds[0],fileds[1]);
}

这段代码是一个MapReduce程序中的setup方法，它在Mapper或Reducer任务执行之前被调用。具体来说，这段代码的目的是从分布式缓存中读取文件内容，并将文件内容解析后存储到一个集合（可能是一个Map）中。
让我们逐行解释这段代码：

1.URI[] cacheFiles=context.getCacheFiles();: 通过context.getCacheFiles()获取分布式缓存中的文件列表的URI数组。
2.Path path=new Path(cacheFiles[0]);: 从URI数组中取第一个元素作为缓存文件的路径。
3.FileSystem fileSystem=FileSystem.get(context.getConfiguration());: 获取Hadoop文件系统（FileSystem）的实例，通过context.getConfiguration()获取配置信息。
4.FSDataInputStream fis=fileSystem.open(path);: 打开文件系统中指定路径的文件，返回一个文件输入流。
5.BufferedReader bufferedReader=new BufferedReader(new InputStreamReader(fis,"utf-8"));: 使用BufferedReader读取文件输入流，并指定使用UTF-8字符集进行解码。
6.String line;: 声明一个字符串变量line，用于存储每次从文件中读取的一行数据。
7.while (!StringUtils.isEmpty(line=bufferedReader.readLine())){: 循环读取文件中的每一行，直到读取到的行为空（文件末尾）。这里使用了StringUtils.isEmpty()来判断是否为空行。
8.String[] fileds=line.split("\t");: 使用制表符（\t）分隔每一行的内容，将分割后的字段存储到字符串数组fileds中。
9.rmap.put(fileds[0],fileds[1]);: 将分割后的字段存储到一个集合（可能是一个Map）中，其中fileds[0]作为键，fileds[1]作为值。

总体来说，这段代码的主要作用是在MapReduce任务开始执行前，从分布式缓存中读取一个文件，解析文件内容，并将解析后的数据存储到一个集合中，以便后续任务可以使用这些数据进行计算或其他操作。在这里，数据被存储在了rmap中。

在MapReduce框架中，setup方法在Mapper或Reducer任务执行之前被调用，用于初始化一些资源或数据。在这段代码中，主要的目的是在Map阶段之前从分布式缓存中加载文件，并将文件内容解析后存储到rmap集合中。
这样做的主要作用可能包括：

1.数据预处理： 缓存文件中的数据可能需要在Map阶段使用，通过在setup方法中加载并解析文件，可以在Map任务执行时直接使用已准备好的数据，避免在每个Map任务内重复加载或解析文件。
2.共享静态数据： 如果缓存文件中包含一些静态数据，这些数据在整个MapReduce作业中都是相同的，可以通过在setup方法中加载一次，而不是在每个Map任务中重复加载，提高效率。
3.避免重复IO： 通过在setup阶段加载数据，可以避免在每个Map任务中重复进行文件的IO操作，提高整体性能。
4.初始化共享资源： 在某些情况下，可能需要在Map任务执行前初始化一些共享资源，这可以在setup方法中完成。

总体来说，这样的操作可以提高MapReduce作业的性能，减少不必要的重复工作，并使得任务执行时所需的数据在启动时就已经准备好。