MR -- join操作

一、Reduce Join

1.1 原理

1、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。

2、Reduce 端的主要工作：在 Reduce 端以连接字段作为 key 的分组以及完成，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。

1.2 案例

1、需求
将商品信息表中数据根据商品 pid 合并到订单数据表中。

2、数据说明
订单表(id, pid, amount)

1001	01	1
1002	02	2
1003	03	3
1004	01	4
1005	02	5
1006	03	6

商品信息表(pid, pname)

01	小米
02	华为
03	格力

最终数据形式：

1001	小米	1
1004	小米	4
1002	华为	2
1005	华为	5
1003	格力	3
1006	格力	6

数据都以 “\t” 分割

3、流程分析
通过将关联条件作为 Map 输出的 key，将两表满足 Join 条件的数据并携带数据所来源的文件信息，发往同一个 ReduceTask，在 Reduce 中进行数据的串联。

4、编写代码
(1) 编写商品和订单合并后的 Bean 类

package reducejoin;

import org.apache.hadoop.io.Writable;

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

/**
 * @description: 创建商品和订单合并后的 Bean 类
 * @author: hyr
 * @time: 2020/3/1 9:11
 */
public class TableBean implements Writable {
    private String order_id; // 订单 id
    private String p_id; // 产品 id
    private int amount; // 产品数量
    private String pname; // 产品名称
    private String flag; // 表的标记

    public TableBean() {
    }

    public TableBean(String order_id, String p_id, int amount, String pname, String flag) {
        this.order_id = order_id;
        this.p_id = p_id;
        this.amount = amount;
        this.pname = pname;
        this.flag = flag;
    }

    public String getOrder_id() {
        return order_id;
    }

    public void setOrder_id(String order_id) {
        this.order_id = order_id;
    }

    public String getP_id() {
        return p_id;
    }

    public void setP_id(String p_id) {
        this.p_id = p_id;
    }

    public int getAmount() {
        return amount;
    }

    public void setAmount(int amount) {
        this.amount = amount;
    }

    public String getPname() {
        return pname;
    }

    public void setPname(String pname) {
        this.pname = pname;
    }

    public String getFlag() {
        return flag;
    }

    public void setFlag(String flag) {
        this.flag = flag;
    }

    @Override
    public void write(DataOutput out) throws IOException {
        out.writeUTF(order_id);
        out.writeUTF(p_id);
        out.writeInt(amount);
        out.writeUTF(pname);
        out.writeUTF(flag);
    }

    @Override
    public void readFields(DataInput in) throws IOException {
        order_id = in.readUTF();
        p_id = in.readUTF();
        amount = in.readInt();
        pname = in.readUTF();
        flag = in.readUTF();
    }

    @Override
    public String toString() {
        return order_id + "\t" + pname + "\t" + amount + "\t";
    }
}

(2) 编写 Mapper 类

package 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;

/**
 * @description: 编写 TableMapper 类
 * @author: hyr
 * @time: 2020/3/1 9:21
 */
public class TableMapper extends Mapper<LongWritable, Text, Text, TableBean> {
    String name;
    TableBean bean = new TableBean();
    Text k = new Text();

    @Override
    protected void setup(Context context) throws IOException, InterruptedException {
        // 1、获取输入文件切片
        FileSplit split = (FileSplit) context.getInputSplit();

        // 2、获取输入文件名称
        name = split.getPath().getName();
    }

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        // 1、获取输入数据
        String line = value.toString();

        // 2、不同文件分别处理
        if (name.startsWith("order")) { // 订单表处理
            // 2.1 切割
            String[] fields = line.split("\t");

            // 2.2 封装 bean 对象
            bean.setOrder_id(fields[0]);
            bean.setP_id(fields[1]);
            bean.setAmount(Integer.parseInt(fields[2]));
            bean.setPname("");
            bean.setFlag("order");

            k.set(fields[1]);
        } else { // 产品表处理
            // 2.3 切割
            String[] fields = line.split("\t");

            // 2.4 封装 bean 对象
            bean.setP_id(fields[0]);
            bean.setPname(fields[1]);
            bean.setFlag("pd");
            bean.setAmount(0);
            bean.setOrder_id("");

            k.set(fields[0]);
        }

        // 3、写出
        context.write(k, bean);
    }
}

(3) 编写 Reducer 类

package 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;

/**
 * @description: 编写 TableReducer 类
 * @author: hyr
 * @time: 2020/3/1 9:38
 */
public class TableReducer extends Reducer<Text, TableBean, TableBean, NullWritable> {
    @Override
    protected void reduce(Text key, Iterable<TableBean> values, Context context) throws IOException, InterruptedException {
        // 1、准备存储订单的集合
        ArrayList<TableBean> orderBeans = new ArrayList<>();

        // 2、准备 bean 对象
        TableBean pdBean = new TableBean();

        for (TableBean bean : values){
            if ("order".equals(bean.getFlag())){ // 订单表
                // 拷贝传递过来的每条订单数据到集合中
                TableBean orderBean = new TableBean();
                try {
                    BeanUtils.copyProperties(orderBean, bean);
                } catch (IllegalAccessException e) {
                    e.printStackTrace();
                } catch (InvocationTargetException e) {
                    e.printStackTrace();
                }
                orderBeans.add(orderBean);
            }else { // 产品表
                // 拷贝传递过来的产品表到内存中
                try {
                    BeanUtils.copyProperties(pdBean, bean);
                } catch (IllegalAccessException e) {
                    e.printStackTrace();
                } catch (InvocationTargetException e) {
                    e.printStackTrace();
                }
            }
        }

        // 3、表的拼接
        for (TableBean bean : orderBeans){
            bean.setPname(pdBean.getPname());

            // 4、将数据写出去
            context.write(bean, NullWritable.get());
        }
    }
}

(4) 编写 Driver 类

package reducejoin;

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;

/**
 * @description: 编写 TableDriver 类
 * @author: hyr
 * @time: 2020/3/1 9:51
 */

public class TableDriver {
    public static void main(String[] args) throws Exception {
        args = new String[]{"F:/input", "F:/output"};

        // 1、获取配置信息，或者job对象实例
        Configuration configuration = new Configuration();
        Job job = Job.getInstance(configuration);

        // 2、指定本程序的jar包所在的本地路径
        job.setJarByClass(TableDriver.class);

        // 3、指定本业务job要使用的Mapper/Reducer业务类
        job.setMapperClass(TableMapper.class);
        job.setReducerClass(TableReducer.class);

        // 4、指定Mapper输出数据的kv类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(TableBean.class);

        // 5、指定最终输出的数据的kv类型
        job.setOutputKeyClass(TableBean.class);
        job.setOutputValueClass(NullWritable.class);

        // 6、指定job的输入原始文件所在目录
        FileInputFormat.setInputPaths(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        // 7、提交配置参数
        boolean result = job.waitForCompletion(true);
        System.exit(result ? 0 : 1);
    }
}

5、程序运行结果

二、Map Join

2.1 介绍

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) 在驱动函数中加载缓存。

// 缓存普通文件到 Task 运行节点。
job.addCacheFile(new URI("file://F:/pd.txt"));

2.2 案例

1、需求
将商品信息表中数据根据商品 id 合并到订单数据表中。

2、数据说明
订单数据表(id, pid, amount)

1001	01	1
1002	02	2
1003	03	3
1004	01	4
1005	02	5
1006	03	6

商品信息表(pid, pname)

01	小米
02	华为
03	格力

最终数据形式

1001	01	1	小米
1002	02	2	华为
1003	03	3	格力
1004	01	4	小米
1005	02	5	华为
1006	03	6	格力

3、流程分析
MapJoin 适用于关联表中有小表的情形。

4、编写代码
(1) 编写 Mapper 类

package mapjoin;

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

import org.apache.commons.lang.StringUtils;
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;

public class DistributedCacheMapper extends Mapper<LongWritable, Text, Text, NullWritable> {
    HashMap<String, String> pdMap = new HashMap<>();

    @Override
    protected void setup(Context context) throws IOException, InterruptedException {
        // 缓存小表
        URI[] cacheFiles = context.getCacheFiles();
        // 因为只缓存了一个文件，所以取第一个
        String path = cacheFiles[0].getPath().toString();

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

        String line;
        while (StringUtils.isNotEmpty(line = reader.readLine())) {
            // 1、切割
            String[] fileds = line.split("\t");

            pdMap.put(fileds[0], fileds[1]);
        }

        // 2、关闭资源
        IOUtils.closeStream(reader);
    }

    Text k = new Text();

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        // 1、获取一行
        String line = value.toString();

        // 2、切割
        String[] fileds = line.split("\t");

        // 3、获取 pid
        String pid = fileds[1];

        // 4、取出 pname
        String pname = pdMap.get(pid);

        // 5、拼接
        line = line + "\t" + pname;

        k.set(line);

        // 6、写出
        context.write(k, NullWritable.get());
    }
}

(2) 编写 Driver 类

package mapjoin;

import java.net.URI;

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;

/**
 * @description: 在驱动模块中添加缓存文件
 * @author: hyr
 * @time: 2020/3/1 10:16
 */
public class DistributedCacheDriver {
    public static void main(String[] args) throws Exception {
        // 根据自己电脑路径重新配置
        args = new String[]{"F:/input", "F:/output"};

        // 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(DistributedCacheDriver.class);

        // 3、关联map
        job.setMapperClass(DistributedCacheMapper.class);

        // 4、设置最终输出数据类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(NullWritable.class);

        // 5、设置输入输出路径
        FileInputFormat.setInputPaths(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        // 6、加载缓存数据
        job.addCacheFile(new URI("file:///F:/pd.txt"));

        // 7、Map端Join的逻辑不需要Reduce阶段，设置reduceTask数量为0
        job.setNumReduceTasks(0);

        // 8、提交
        boolean result = job.waitForCompletion(true);
        System.exit(result ? 0 : 1);
    }
}

5、程序结果