MapReduce表连接操作之Reduce端join

一：背景

Reduce端连接比Map端连接更为普遍，因为输入的数据不需要特定的结构，但是效率比较低，因为所有数据都必须经过Shuffle过程。

二：技术实现

基本思路

(1)：Map端读取所有的文件，并在输出的内容里加上标示，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)：然后根据Key去join来求出结果直接输出。

数据准备

准备好下面两张表：

(1)：tb_a(以下简称表A)

1. id name
2. 1 北京
3. 2 天津
4. 3 河北
5. 4 山西
6. 5 内蒙古
7. 6 辽宁
8. 7 吉林
9. 8 黑龙江

(2)：tb_b(以下简称表B)

1. id statyear num
2. 1 2010 1962
3. 1 2011 2019
4. 2 2010 1299
5. 2 2011 1355
6. 4 2011 3574
7. 4 2011 3593
8. 9 2010 2303
9. 9 2011 2347

#需求就是以id为key做join操作(注：上面的数据都是以制表符“\t”分割)

计算模型

整个计算过程是：

(1)：在Map阶段，把所有数据标记成<key,value>的形式，其中key是id，value则根据来源不同取不同的形式：来源于A的记录，value的值为"a#"+name；来源于B的记录，value的值为"b#"+score。

(2)：在reduce阶段，先把每个key下的value列表拆分为分别来自表A和表B的两部分，分别放入两个向量中。然后遍历两个向量做笛卡尔积，形成一条条最终的结果。

如下图所示：

代码实现如下：

1. public class ReduceJoinTest {
3. // 定义输入路径
4. private static final String INPUT_PATH = "hdfs://liaozhongmin:9000/table_join/tb_*";
5. // 定义输出路径
6. private static final String OUT_PATH = "hdfs://liaozhongmin:9000/out";
8. public static void main(String[] args) {
10. try {
11. // 创建配置信息
12. Configuration conf = new Configuration();
15. // 创建文件系统
16. FileSystem fileSystem = FileSystem.get(new URI(OUT_PATH), conf);
17. // 如果输出目录存在，我们就删除
18. if (fileSystem.exists(new Path(OUT_PATH))) {
19. fileSystem.delete(new Path(OUT_PATH), true);
20. }
22. // 创建任务
23. Job job = new Job(conf, ReduceJoinTest.class.getName());
25. //1.1 设置输入目录和设置输入数据格式化的类
26. FileInputFormat.setInputPaths(job, INPUT_PATH);
27. job.setInputFormatClass(TextInputFormat.class);
29. //1.2 设置自定义Mapper类和设置map函数输出数据的key和value的类型
30. job.setMapperClass(ReduceJoinMapper.class);
31. job.setMapOutputKeyClass(Text.class);
32. job.setMapOutputValueClass(Text.class);
34. //1.3 设置分区和reduce数量(reduce的数量，和分区的数量对应，因为分区为一个，所以reduce的数量也是一个)
35. job.setPartitionerClass(HashPartitioner.class);
36. job.setNumReduceTasks(1);
38. //1.4 排序
39. //1.5 归约
40. //2.1 Shuffle把数据从Map端拷贝到Reduce端。
41. //2.2 指定Reducer类和输出key和value的类型
42. job.setReducerClass(ReduceJoinReducer.class);
43. job.setOutputKeyClass(Text.class);
44. job.setOutputValueClass(Text.class);
46. //2.3 指定输出的路径和设置输出的格式化类
47. FileOutputFormat.setOutputPath(job, new Path(OUT_PATH));
48. job.setOutputFormatClass(TextOutputFormat.class);
51. // 提交作业 退出
52. System.exit(job.waitForCompletion(true) ? 0 : 1);
54. } catch (Exception e) {
55. e.printStackTrace();
56. }
57. }
59. public static class ReduceJoinMapper extends Mapper<LongWritable, Text, Text, Text>{
60. @Override
61. protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, Text>.Context context) throws IOException, InterruptedException {
62. //获取输入文件的全路径和名称
63. FileSplit fileSplit = (FileSplit) context.getInputSplit();
64. String path = fileSplit.getPath().toString();
66. //获取输入记录的字符串
67. String line = value.toString();
69. //抛弃空记录
70. if (line == null || line.equals("")){
71. return;
72. }
74. //处理来自tb_a表的记录
75. if (path.contains("tb_a")){
76. //按制表符切割
77. String[] values = line.split("\t");
78. //当数组长度小于2时，视为无效记录
79. if (values.length < 2){
80. return;
81. }
82. //获取id和name
83. String id = values[0];
84. String name = values[1];
86. //把结果写出去
87. context.write(new Text(id), new Text("a#" + name));
88. } else if (path.contains("tb_b")){
89. //按制表符切割
90. String[] values = line.split("\t");
91. //当长度不为3时，视为无效记录
92. if (values.length < 3){
93. return;
94. }
96. //获取属性
97. String id = values[0];
98. String statyear = values[1];
99. String num = values[2];
101. //写出去
102. context.write(new Text(id), new Text("b#" + statyear + " " + num));
103. }
105. }
107. public static class ReduceJoinReducer extends Reducer<Text, Text, Text, Text>{
109. @Override
110. protected void reduce(Text key, Iterable<Text> values, Reducer<Text, Text, Text, Text>.Context context) throws IOException, InterruptedException {
112. //用来存放来自tb_a表的数据
113. Vector<String> vectorA = new Vector<String>();
114. //用来存放来自tb_b表的
115. Vector<String> vectorB = new Vector<String>();
117. //迭代集合数据
118. for (Text val : values){
119. //将集合中的数据对应添加到Vector中
120. if (val.toString().startsWith("a#")){
121. vectorA.add(val.toString().substring(2));
122. } else if (val.toString().startsWith("b#")){
123. vectorB.add(val.toString().substring(2));
124. }
125. }
127. //获取两个Vector集合的长度
128. int sizeA = vectorA.size();
129. int sizeB = vectorB.size();
131. //遍历两个向量将结果写出去
132. for (int i=0; i<sizeA; i++){
133. for (int j=0; j<sizeB; j++){
134. context.write(key, new Text(" " + vectorA.get(i) + " " + vectorB.get(j)));
135. }
136. }
139. }
140. }
141. }
142. }

程序运行的结果：

细节：

(1)：当map读取源文件时，如何区分出是file1还是file2？

1. FileSplit fileSplit = (FileSplit)context.getInputSplit();
2. String path = fileSplit.getPath().toString();

根据path就可以知道文件的来源咯。

转自：https://blog.youkuaiyun.com/lzm1340458776/article/details/42971485