一张表格外小、一张表很大,一张表卓殊小、一张表很大

上一篇《MapReduce各类join达成实例分析(一)》,大家可以点击回想该篇小说。本文是MapReduce连串第二篇。

上一篇《MapReduce三种join完毕实例分析(一)》,大家可以点击回看该篇小说。本文是MapReduce连串第二篇。

一、在Map端进行连接
选拔情形:一张表非凡小、一张表很大。
用法:在提交作业的时候先将小表文件放到该学业的DistributedCache中,然后从DistributeCache中取出该小表举办join
key / value解释分割放到内存中(可以放大Hash
Map等等容器中)。然后扫描大表,看大表中的每条记下的join key
/value值是还是不是可以在内存中找到同样join key的笔录,倘若有则一向出口结果。
一贯上代码,相比不难:

一、在Map端进行一连
行使处境:一张表至极小、一张表很大。
用法:在付给作业的时候先将小表文件放到该学业的DistributedCache中,然后从DistributeCache中取出该小表举行join
key / value解释分割放到内存中(可以放大Hash
Map等等容器中)。然后扫描大表,看大表中的每条记下的join key
/value值是还是不是可以在内存中找到同样join key的记录,固然有则直接出口结果。
一贯上代码,相比简单:

package com.mr.mapSideJoin;   
import java.io.BufferedReader;   
import java.io.FileReader;   
import java.io.IOException;   
import java.util.HashMap;   
import org.apache.hadoop.conf.Configuration;   
import org.apache.hadoop.conf.Configured;   
import org.apache.hadoop.filecache.DistributedCache;   
import org.apache.hadoop.fs.Path;   
import org.apache.hadoop.io.Text;   
import org.apache.hadoop.mapreduce.Job;   
import org.apache.hadoop.mapreduce.Mapper;   
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;   
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;   
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;   
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;   
import org.apache.hadoop.util.Tool;   
import org.apache.hadoop.util.ToolRunner;   
import org.slf4j.Logger;   
import org.slf4j.LoggerFactory;   
/** 
 * @author zengzhaozheng 
 * 
 * 用途说明: 
 * Map side join中的left outer join 
 * 左连接,两个文件分别代表2个表,连接字段table1的id字段和table2的cityID字段 
 * table1(左表):tb_dim_city(id int,name string,orderid int,city_code,is_show), 
 * 假设tb_dim_city文件记录数很少,tb_dim_city.dat文件内容,分隔符为"|": 
 * id     name  orderid  city_code  is_show 
 * 0       其他        9999     9999         0 
 * 1       长春        1        901          1 
 * 2       吉林        2        902          1 
 * 3       四平        3        903          1 
 * 4       松原        4        904          1 
 * 5       通化        5        905          1 
 * 6       辽源        6        906          1 
 * 7       白城        7        907          1 
 * 8       白山        8        908          1 
 * 9       延吉        9        909          1 
 * -------------------------风骚的分割线------------------------------- 
 * table2(右表):tb_user_profiles(userID int,userName string,network string,double flow,cityID int) 
 * tb_user_profiles.dat文件内容,分隔符为"|": 
 * userID   network     flow    cityID 
 * 1           2G       123      1 
 * 2           3G       333      2 
 * 3           3G       555      1 
 * 4           2G       777      3 
 * 5           3G       666      4 
 * -------------------------风骚的分割线------------------------------- 
 *  结果: 
 *  1   长春  1   901 1   1   2G  123 
 *  1   长春  1   901 1   3   3G  555 
 *  2   吉林  2   902 1   2   3G  333 
 *  3   四平  3   903 1   4   2G  777 
 *  4   松原  4   904 1   5   3G  666 
 */
public class MapSideJoinMain extends Configured implements Tool{   
    private static final Logger logger = LoggerFactory.getLogger(MapSideJoinMain.class);   
    public static class LeftOutJoinMapper extends Mapper<Object, Text, Text, Text> {

        private HashMap<String,String> city_info = new HashMap<String, String>();   
        private Text outPutKey = new Text();   
        private Text outPutValue = new Text();   
        private String mapInputStr = null;   
        private String mapInputSpit[] = null;   
        private String city_secondPart = null;   
        /** 
         * 此方法在每个task开始之前执行,这里主要用作从DistributedCache 
         * 中取到tb_dim_city文件,并将里边记录取出放到内存中。 
         */
        @Override
        protected void setup(Context context)   
                throws IOException, InterruptedException {   
            BufferedReader br = null;   
            //获得当前作业的DistributedCache相关文件 
            Path[] distributePaths = DistributedCache.getLocalCacheFiles(context.getConfiguration());   
            String cityInfo = null;   
            for(Path p : distributePaths){   
                if(p.toString().endsWith("tb_dim_city.dat")){   
                    //读缓存文件,并放到mem中 
                    br = new BufferedReader(new FileReader(p.toString()));   
                    while(null!=(cityInfo=br.readLine())){   
                        String[] cityPart = cityInfo.split("\\|",5);   
                        if(cityPart.length ==5){   
                            city_info.put(cityPart[0], cityPart[1]+"\t"+cityPart[2]+"\t"+cityPart[3]+"\t"+cityPart[4]);   
                        }   
                    }   
                }   
            }   
        }

        /** 
         * Map端的实现相当简单,直接判断tb_user_profiles.dat中的 
         * cityID是否存在我的map中就ok了,这样就可以实现Map Join了 
         */
        @Override
        protected void map(Object key, Text value, Context context)   
                throws IOException, InterruptedException {   
            //排掉空行 
            if(value == null || value.toString().equals("")){   
                return;   
            }   
            mapInputStr = value.toString();   
            mapInputSpit = mapInputStr.split("\\|",4);   
            //过滤非法记录 
            if(mapInputSpit.length != 4){   
                return;   
            }   
            //判断链接字段是否在map中存在 
            city_secondPart = city_info.get(mapInputSpit[3]);   
            if(city_secondPart != null){   
                this.outPutKey.set(mapInputSpit[3]);   
                this.outPutValue.set(city_secondPart+"\t"+mapInputSpit[0]+"\t"+mapInputSpit[1]+"\t"+mapInputSpit[2]);   
                context.write(outPutKey, outPutValue);   
            }   
        }   
    }   
    @Override
    public int run(String[] args) throws Exception {   
            Configuration conf=getConf(); //获得配置文件对象 
            DistributedCache.addCacheFile(new Path(args[1]).toUri(), conf);//为该job添加缓存文件 
            Job job=new Job(conf,"MapJoinMR");   
            job.setNumReduceTasks(0);

            FileInputFormat.addInputPath(job, new Path(args[0])); //设置map输入文件路径 
            FileOutputFormat.setOutputPath(job, new Path(args[2])); //设置reduce输出文件路径

            job.setJarByClass(MapSideJoinMain.class);   
            job.setMapperClass(LeftOutJoinMapper.class);

            job.setInputFormatClass(TextInputFormat.class); //设置文件输入格式 
            job.setOutputFormatClass(TextOutputFormat.class);//使用默认的output格式

            //设置map的输出key和value类型 
            job.setMapOutputKeyClass(Text.class);

            //设置reduce的输出key和value类型 
            job.setOutputKeyClass(Text.class);   
            job.setOutputValueClass(Text.class);   
            job.waitForCompletion(true);   
            return job.isSuccessful()?0:1;   
    }   
    public static void main(String[] args) throws IOException,   
            ClassNotFoundException, InterruptedException {   
        try {   
            int returnCode =  ToolRunner.run(new MapSideJoinMain(),args);   
            System.exit(returnCode);   
        } catch (Exception e) {   
            // TODO Auto-generated catch block 
            logger.error(e.getMessage());   
        }   
    }   
} 
package com.mr.mapSideJoin;   
import java.io.BufferedReader;   
import java.io.FileReader;   
import java.io.IOException;   
import java.util.HashMap;   
import org.apache.hadoop.conf.Configuration;   
import org.apache.hadoop.conf.Configured;   
import org.apache.hadoop.filecache.DistributedCache;   
import org.apache.hadoop.fs.Path;   
import org.apache.hadoop.io.Text;   
import org.apache.hadoop.mapreduce.Job;   
import org.apache.hadoop.mapreduce.Mapper;   
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;   
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;   
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;   
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;   
import org.apache.hadoop.util.Tool;   
import org.apache.hadoop.util.ToolRunner;   
import org.slf4j.Logger;   
import org.slf4j.LoggerFactory;   
/** 
 * @author zengzhaozheng 
 * 
 * 用途说明: 
 * Map side join中的left outer join 
 * 左连接,两个文件分别代表2个表,连接字段table1的id字段和table2的cityID字段 
 * table1(左表):tb_dim_city(id int,name string,orderid int,city_code,is_show), 
 * 假设tb_dim_city文件记录数很少,tb_dim_city.dat文件内容,分隔符为"|": 
 * id     name  orderid  city_code  is_show 
 * 0       其他        9999     9999         0 
 * 1       长春        1        901          1 
 * 2       吉林        2        902          1 
 * 3       四平        3        903          1 
 * 4       松原        4        904          1 
 * 5       通化        5        905          1 
 * 6       辽源        6        906          1 
 * 7       白城        7        907          1 
 * 8       白山        8        908          1 
 * 9       延吉        9        909          1 
 * -------------------------风骚的分割线------------------------------- 
 * table2(右表):tb_user_profiles(userID int,userName string,network string,double flow,cityID int) 
 * tb_user_profiles.dat文件内容,分隔符为"|": 
 * userID   network     flow    cityID 
 * 1           2G       123      1 
 * 2           3G       333      2 
 * 3           3G       555      1 
 * 4           2G       777      3 
 * 5           3G       666      4 
 * -------------------------风骚的分割线------------------------------- 
 *  结果: 
 *  1   长春  1   901 1   1   2G  123 
 *  1   长春  1   901 1   3   3G  555 
 *  2   吉林  2   902 1   2   3G  333 
 *  3   四平  3   903 1   4   2G  777 
 *  4   松原  4   904 1   5   3G  666 
 */
public class MapSideJoinMain extends Configured implements Tool{   
    private static final Logger logger = LoggerFactory.getLogger(MapSideJoinMain.class);   
    public static class LeftOutJoinMapper extends Mapper<Object, Text, Text, Text> {

        private HashMap<String,String> city_info = new HashMap<String, String>();   
        private Text outPutKey = new Text();   
        private Text outPutValue = new Text();   
        private String mapInputStr = null;   
        private String mapInputSpit[] = null;   
        private String city_secondPart = null;   
        /** 
         * 此方法在每个task开始之前执行,这里主要用作从DistributedCache 
         * 中取到tb_dim_city文件,并将里边记录取出放到内存中。 
         */
        @Override
        protected void setup(Context context)   
                throws IOException, InterruptedException {   
            BufferedReader br = null;   
            //获得当前作业的DistributedCache相关文件 
            Path[] distributePaths = DistributedCache.getLocalCacheFiles(context.getConfiguration());   
            String cityInfo = null;   
            for(Path p : distributePaths){   
                if(p.toString().endsWith("tb_dim_city.dat")){   
                    //读缓存文件,并放到mem中 
                    br = new BufferedReader(new FileReader(p.toString()));   
                    while(null!=(cityInfo=br.readLine())){   
                        String[] cityPart = cityInfo.split("\\|",5);   
                        if(cityPart.length ==5){   
                            city_info.put(cityPart[0], cityPart[1]+"\t"+cityPart[2]+"\t"+cityPart[3]+"\t"+cityPart[4]);   
                        }   
                    }   
                }   
            }   
        }

        /** 
         * Map端的实现相当简单,直接判断tb_user_profiles.dat中的 
         * cityID是否存在我的map中就ok了,这样就可以实现Map Join了 
         */
        @Override
        protected void map(Object key, Text value, Context context)   
                throws IOException, InterruptedException {   
            //排掉空行 
            if(value == null || value.toString().equals("")){   
                return;   
            }   
            mapInputStr = value.toString();   
            mapInputSpit = mapInputStr.split("\\|",4);   
            //过滤非法记录 
            if(mapInputSpit.length != 4){   
                return;   
            }   
            //判断链接字段是否在map中存在 
            city_secondPart = city_info.get(mapInputSpit[3]);   
            if(city_secondPart != null){   
                this.outPutKey.set(mapInputSpit[3]);   
                this.outPutValue.set(city_secondPart+"\t"+mapInputSpit[0]+"\t"+mapInputSpit[1]+"\t"+mapInputSpit[2]);   
                context.write(outPutKey, outPutValue);   
            }   
        }   
    }   
    @Override
    public int run(String[] args) throws Exception {   
            Configuration conf=getConf(); //获得配置文件对象 
            DistributedCache.addCacheFile(new Path(args[1]).toUri(), conf);//为该job添加缓存文件 
            Job job=new Job(conf,"MapJoinMR");   
            job.setNumReduceTasks(0);

            FileInputFormat.addInputPath(job, new Path(args[0])); //设置map输入文件路径 
            FileOutputFormat.setOutputPath(job, new Path(args[2])); //设置reduce输出文件路径

            job.setJarByClass(MapSideJoinMain.class);   
            job.setMapperClass(LeftOutJoinMapper.class);

            job.setInputFormatClass(TextInputFormat.class); //设置文件输入格式 
            job.setOutputFormatClass(TextOutputFormat.class);//使用默认的output格式

            //设置map的输出key和value类型 
            job.setMapOutputKeyClass(Text.class);

            //设置reduce的输出key和value类型 
            job.setOutputKeyClass(Text.class);   
            job.setOutputValueClass(Text.class);   
            job.waitForCompletion(true);   
            return job.isSuccessful()?0:1;   
    }   
    public static void main(String[] args) throws IOException,   
            ClassNotFoundException, InterruptedException {   
        try {   
            int returnCode =  ToolRunner.run(new MapSideJoinMain(),args);   
            System.exit(returnCode);   
        } catch (Exception e) {   
            // TODO Auto-generated catch block 
            logger.error(e.getMessage());   
        }   
    }   
} 

  

  

此地说说DistributedCache。DistributedCache是分布式缓存的一种落成,它在所有MapReduce框架中起着相当重大的效益,他得以支撑我们写一些一定复杂高效的分布式程序。说回来那里,JobTracker在作业启动以前会拿走到DistributedCache的资源uri列表,并将相应的文书分发到各类涉及到该学业的任务的TaskTracker上。其余,关于DistributedCache和学业的涉及,比如权限、存储路径区分、public和private等属性,接下去有用再整理研讨一下写一篇blog,那里就不详细说了。

此间说说DistributedCache。DistributedCache是分布式缓存的一种达成,它在全体MapReduce框架中起着一定重大的作用,他得以支持我们写一些相当复杂高效的分布式程序。说回去那里,JobTracker在学业启动在此之前会赢拿到DistributedCache的资源uri列表,并将相应的文书分发到种种涉及到该学业的职务的TaskTracker上。其余,关于DistributedCache和课业的涉嫌,比如权限、存储路径区分、public和private等质量,接下去有用再整治研究一下写一篇blog,那里就不详细说了。

别的还有一种相比变态的Map Join格局,就是结合HBase来做Map
Join操作。那种办法完全能够突破内存的主宰,使你毫无忌惮的利用Map
Join,而且效用也格外不利。

除此以外还有一种比较变态的Map Join格局,就是结合HBase来做Map
Join操作。那种格局完全可以突破内存的支配,使你毫无忌惮的利用Map
Join,而且功效也相当不错。

二、SemiJoin
SemiJoin就是所谓的半连接,其实仔细一看就是reduce
join的一个变种,就是在map端过滤掉一部分数码,在网络中只传输参预连接的多寡不参加连接的数据不必在互联网中举办传输,从而减弱了shuffle的网络传输量,使全部功能得到升高,其余思想和reduce
join是一模一样的。说得愈加接地气一点就是将小表中加入join的key单独抽出来通过DistributedCach分发到相关节点,然后将其取出放到内存中(可以放置HashSet中),在map阶段扫描连接表,将join
key不在内存HashSet中的记录过滤掉,让那多少个加入join的笔录通过shuffle传输到reduce端进行join操作,其他的和reduce
join都以相同的。

二、SemiJoin
SemiJoin就是所谓的半连接,其实仔细一看就是reduce
join的一个变种,就是在map端过滤掉一部分数目,在网络中只传输参预连接的数目不参加连接的数目不必在网络中展开传输,从而减弱了shuffle的互联网传输量,使全部功能得到狠抓,其余思想和reduce
join是一模一样的。说得更其接地气一点就是将小表中加入join的key单独抽出来通过DistributedCach分发到有关节点,然后将其取出放到内存中(可以放手HashSet中),在map阶段扫描连接表,将join
key不在内存HashSet中的记录过滤掉,让那几个插足join的记录通过shuffle传输到reduce端举办join操作,其余的和reduce
join都是均等的。

看代码:

看代码:

package com.mr.SemiJoin;   
import java.io.BufferedReader;   
import java.io.FileReader;   
import java.io.IOException;   
import java.util.ArrayList;   
import java.util.HashSet;   
import org.apache.hadoop.conf.Configuration;   
import org.apache.hadoop.conf.Configured;   
import org.apache.hadoop.filecache.DistributedCache;   
import org.apache.hadoop.fs.Path;   
import org.apache.hadoop.io.Text;   
import org.apache.hadoop.mapreduce.Job;   
import org.apache.hadoop.mapreduce.Mapper;   
import org.apache.hadoop.mapreduce.Reducer;   
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;   
import org.apache.hadoop.mapreduce.lib.input.FileSplit;   
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;   
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;   
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;   
import org.apache.hadoop.util.Tool;   
import org.apache.hadoop.util.ToolRunner;   
import org.slf4j.Logger;   
import org.slf4j.LoggerFactory;   
/** 
 * @author zengzhaozheng 
 * 
 * 用途说明: 
 * reudce side join中的left outer join 
 * 左连接,两个文件分别代表2个表,连接字段table1的id字段和table2的cityID字段 
 * table1(左表):tb_dim_city(id int,name string,orderid int,city_code,is_show) 
 * tb_dim_city.dat文件内容,分隔符为"|": 
 * id     name  orderid  city_code  is_show 
 * 0       其他        9999     9999         0 
 * 1       长春        1        901          1 
 * 2       吉林        2        902          1 
 * 3       四平        3        903          1 
 * 4       松原        4        904          1 
 * 5       通化        5        905          1 
 * 6       辽源        6        906          1 
 * 7       白城        7        907          1 
 * 8       白山        8        908          1 
 * 9       延吉        9        909          1 
 * -------------------------风骚的分割线------------------------------- 
 * table2(右表):tb_user_profiles(userID int,userName string,network string,double flow,cityID int) 
 * tb_user_profiles.dat文件内容,分隔符为"|": 
 * userID   network     flow    cityID 
 * 1           2G       123      1 
 * 2           3G       333      2 
 * 3           3G       555      1 
 * 4           2G       777      3 
 * 5           3G       666      4 
 * -------------------------风骚的分割线------------------------------- 
 * joinKey.dat内容: 
 * city_code 
 * 1 
 * 2 
 * 3 
 * 4 
 * -------------------------风骚的分割线------------------------------- 
 *  结果: 
 *  1   长春  1   901 1   1   2G  123 
 *  1   长春  1   901 1   3   3G  555 
 *  2   吉林  2   902 1   2   3G  333 
 *  3   四平  3   903 1   4   2G  777 
 *  4   松原  4   904 1   5   3G  666 
 */
public class SemiJoin extends Configured implements Tool{   
    private static final Logger logger = LoggerFactory.getLogger(SemiJoin.class);   
    public static class SemiJoinMapper extends Mapper<Object, Text, Text, CombineValues> {   
        private CombineValues combineValues = new CombineValues();   
        private HashSet<String> joinKeySet = new HashSet<String>();   
        private Text flag = new Text();   
        private Text joinKey = new Text();   
        private Text secondPart = new Text();   
        /** 
         * 将参加join的key从DistributedCache取出放到内存中,以便在map端将要参加join的key过滤出来。b 
         */
        @Override
        protected void setup(Context context)   
                throws IOException, InterruptedException {   
            BufferedReader br = null;   
            //获得当前作业的DistributedCache相关文件 
            Path[] distributePaths = DistributedCache.getLocalCacheFiles(context.getConfiguration());   
            String joinKeyStr = null;   
            for(Path p : distributePaths){   
                if(p.toString().endsWith("joinKey.dat")){   
                    //读缓存文件,并放到mem中 
                    br = new BufferedReader(new FileReader(p.toString()));   
                    while(null!=(joinKeyStr=br.readLine())){   
                        joinKeySet.add(joinKeyStr);   
                    }   
                }   
            }   
        }   
        @Override
        protected void map(Object key, Text value, Context context)   
                throws IOException, InterruptedException {   
            //获得文件输入路径 
            String pathName = ((FileSplit) context.getInputSplit()).getPath().toString();   
            //数据来自tb_dim_city.dat文件,标志即为"0" 
            if(pathName.endsWith("tb_dim_city.dat")){   
                String[] valueItems = value.toString().split("\\|");   
                //过滤格式错误的记录 
                if(valueItems.length != 5){   
                    return;   
                }   
                //过滤掉不需要参加join的记录 
                if(joinKeySet.contains(valueItems[0])){   
                    flag.set("0");   
                    joinKey.set(valueItems[0]);   
                    secondPart.set(valueItems[1]+"\t"+valueItems[2]+"\t"+valueItems[3]+"\t"+valueItems[4]);   
                    combineValues.setFlag(flag);   
                    combineValues.setJoinKey(joinKey);   
                    combineValues.setSecondPart(secondPart);   
                    context.write(combineValues.getJoinKey(), combineValues);   
                }else{   
                    return ;   
                }   
            }//数据来自于tb_user_profiles.dat,标志即为"1" 
            else if(pathName.endsWith("tb_user_profiles.dat")){   
                String[] valueItems = value.toString().split("\\|");   
                //过滤格式错误的记录 
                if(valueItems.length != 4){   
                    return;   
                }   
                //过滤掉不需要参加join的记录 
                if(joinKeySet.contains(valueItems[3])){   
                    flag.set("1");   
                    joinKey.set(valueItems[3]);   
                    secondPart.set(valueItems[0]+"\t"+valueItems[1]+"\t"+valueItems[2]);   
                    combineValues.setFlag(flag);   
                    combineValues.setJoinKey(joinKey);   
                    combineValues.setSecondPart(secondPart);   
                    context.write(combineValues.getJoinKey(), combineValues);   
                }else{   
                    return ;   
                }   
            }   
        }   
    }   
    public static class SemiJoinReducer extends Reducer<Text, CombineValues, Text, Text> {   
        //存储一个分组中的左表信息 
        private ArrayList<Text> leftTable = new ArrayList<Text>();   
        //存储一个分组中的右表信息 
        private ArrayList<Text> rightTable = new ArrayList<Text>();   
        private Text secondPar = null;   
        private Text output = new Text();   
        /** 
         * 一个分组调用一次reduce函数 
         */
        @Override
        protected void reduce(Text key, Iterable<CombineValues> value, Context context)   
                throws IOException, InterruptedException {   
            leftTable.clear();   
            rightTable.clear();   
            /** 
             * 将分组中的元素按照文件分别进行存放 
             * 这种方法要注意的问题: 
             * 如果一个分组内的元素太多的话,可能会导致在reduce阶段出现OOM, 
             * 在处理分布式问题之前最好先了解数据的分布情况,根据不同的分布采取最 
             * 适当的处理方法,这样可以有效的防止导致OOM和数据过度倾斜问题。 
             */
            for(CombineValues cv : value){   
                secondPar = new Text(cv.getSecondPart().toString());   
                //左表tb_dim_city 
                if("0".equals(cv.getFlag().toString().trim())){   
                    leftTable.add(secondPar);   
                }   
                //右表tb_user_profiles 
                else if("1".equals(cv.getFlag().toString().trim())){   
                    rightTable.add(secondPar);   
                }   
            }   
            logger.info("tb_dim_city:"+leftTable.toString());   
            logger.info("tb_user_profiles:"+rightTable.toString());   
            for(Text leftPart : leftTable){   
                for(Text rightPart : rightTable){   
                    output.set(leftPart+ "\t" + rightPart);   
                    context.write(key, output);   
                }   
            }   
        }   
    }   
    @Override
    public int run(String[] args) throws Exception {   
            Configuration conf=getConf(); //获得配置文件对象 
            DistributedCache.addCacheFile(new Path(args[2]).toUri(), conf);
            Job job=new Job(conf,"LeftOutJoinMR");   
            job.setJarByClass(SemiJoin.class);

            FileInputFormat.addInputPath(job, new Path(args[0])); //设置map输入文件路径 
            FileOutputFormat.setOutputPath(job, new Path(args[1])); //设置reduce输出文件路径

            job.setMapperClass(SemiJoinMapper.class);   
            job.setReducerClass(SemiJoinReducer.class);

            job.setInputFormatClass(TextInputFormat.class); //设置文件输入格式 
            job.setOutputFormatClass(TextOutputFormat.class);//使用默认的output格式

            //设置map的输出key和value类型 
            job.setMapOutputKeyClass(Text.class);   
            job.setMapOutputValueClass(CombineValues.class);

            //设置reduce的输出key和value类型 
            job.setOutputKeyClass(Text.class);   
            job.setOutputValueClass(Text.class);   
            job.waitForCompletion(true);   
            return job.isSuccessful()?0:1;   
    }   
    public static void main(String[] args) throws IOException,   
            ClassNotFoundException, InterruptedException {   
        try {   
            int returnCode =  ToolRunner.run(new SemiJoin(),args);   
            System.exit(returnCode);   
        } catch (Exception e) {   
            logger.error(e.getMessage());   
        }   
    }   
} 
package com.mr.SemiJoin;   
import java.io.BufferedReader;   
import java.io.FileReader;   
import java.io.IOException;   
import java.util.ArrayList;   
import java.util.HashSet;   
import org.apache.hadoop.conf.Configuration;   
import org.apache.hadoop.conf.Configured;   
import org.apache.hadoop.filecache.DistributedCache;   
import org.apache.hadoop.fs.Path;   
import org.apache.hadoop.io.Text;   
import org.apache.hadoop.mapreduce.Job;   
import org.apache.hadoop.mapreduce.Mapper;   
import org.apache.hadoop.mapreduce.Reducer;   
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;   
import org.apache.hadoop.mapreduce.lib.input.FileSplit;   
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;   
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;   
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;   
import org.apache.hadoop.util.Tool;   
import org.apache.hadoop.util.ToolRunner;   
import org.slf4j.Logger;   
import org.slf4j.LoggerFactory;   
/** 
 * @author zengzhaozheng 
 * 
 * 用途说明: 
 * reudce side join中的left outer join 
 * 左连接,两个文件分别代表2个表,连接字段table1的id字段和table2的cityID字段 
 * table1(左表):tb_dim_city(id int,name string,orderid int,city_code,is_show) 
 * tb_dim_city.dat文件内容,分隔符为"|": 
 * id     name  orderid  city_code  is_show 
 * 0       其他        9999     9999         0 
 * 1       长春        1        901          1 
 * 2       吉林        2        902          1 
 * 3       四平        3        903          1 
 * 4       松原        4        904          1 
 * 5       通化        5        905          1 
 * 6       辽源        6        906          1 
 * 7       白城        7        907          1 
 * 8       白山        8        908          1 
 * 9       延吉        9        909          1 
 * -------------------------风骚的分割线------------------------------- 
 * table2(右表):tb_user_profiles(userID int,userName string,network string,double flow,cityID int) 
 * tb_user_profiles.dat文件内容,分隔符为"|": 
 * userID   network     flow    cityID 
 * 1           2G       123      1 
 * 2           3G       333      2 
 * 3           3G       555      1 
 * 4           2G       777      3 
 * 5           3G       666      4 
 * -------------------------风骚的分割线------------------------------- 
 * joinKey.dat内容: 
 * city_code 
 * 1 
 * 2 
 * 3 
 * 4 
 * -------------------------风骚的分割线------------------------------- 
 *  结果: 
 *  1   长春  1   901 1   1   2G  123 
 *  1   长春  1   901 1   3   3G  555 
 *  2   吉林  2   902 1   2   3G  333 
 *  3   四平  3   903 1   4   2G  777 
 *  4   松原  4   904 1   5   3G  666 
 */
public class SemiJoin extends Configured implements Tool{   
    private static final Logger logger = LoggerFactory.getLogger(SemiJoin.class);   
    public static class SemiJoinMapper extends Mapper<Object, Text, Text, CombineValues> {   
        private CombineValues combineValues = new CombineValues();   
        private HashSet<String> joinKeySet = new HashSet<String>();   
        private Text flag = new Text();   
        private Text joinKey = new Text();   
        private Text secondPart = new Text();   
        /** 
         * 将参加join的key从DistributedCache取出放到内存中,以便在map端将要参加join的key过滤出来。b 
         */
        @Override
        protected void setup(Context context)   
                throws IOException, InterruptedException {   
            BufferedReader br = null;   
            //获得当前作业的DistributedCache相关文件 
            Path[] distributePaths = DistributedCache.getLocalCacheFiles(context.getConfiguration());   
            String joinKeyStr = null;   
            for(Path p : distributePaths){   
                if(p.toString().endsWith("joinKey.dat")){   
                    //读缓存文件,并放到mem中 
                    br = new BufferedReader(new FileReader(p.toString()));   
                    while(null!=(joinKeyStr=br.readLine())){   
                        joinKeySet.add(joinKeyStr);   
                    }   
                }   
            }   
        }   
        @Override
        protected void map(Object key, Text value, Context context)   
                throws IOException, InterruptedException {   
            //获得文件输入路径 
            String pathName = ((FileSplit) context.getInputSplit()).getPath().toString();   
            //数据来自tb_dim_city.dat文件,标志即为"0" 
            if(pathName.endsWith("tb_dim_city.dat")){   
                String[] valueItems = value.toString().split("\\|");   
                //过滤格式错误的记录 
                if(valueItems.length != 5){   
                    return;   
                }   
                //过滤掉不需要参加join的记录 
                if(joinKeySet.contains(valueItems[0])){   
                    flag.set("0");   
                    joinKey.set(valueItems[0]);   
                    secondPart.set(valueItems[1]+"\t"+valueItems[2]+"\t"+valueItems[3]+"\t"+valueItems[4]);   
                    combineValues.setFlag(flag);   
                    combineValues.setJoinKey(joinKey);   
                    combineValues.setSecondPart(secondPart);   
                    context.write(combineValues.getJoinKey(), combineValues);   
                }else{   
                    return ;   
                }   
            }//数据来自于tb_user_profiles.dat,标志即为"1" 
            else if(pathName.endsWith("tb_user_profiles.dat")){   
                String[] valueItems = value.toString().split("\\|");   
                //过滤格式错误的记录 
                if(valueItems.length != 4){   
                    return;   
                }   
                //过滤掉不需要参加join的记录 
                if(joinKeySet.contains(valueItems[3])){   
                    flag.set("1");   
                    joinKey.set(valueItems[3]);   
                    secondPart.set(valueItems[0]+"\t"+valueItems[1]+"\t"+valueItems[2]);   
                    combineValues.setFlag(flag);   
                    combineValues.setJoinKey(joinKey);   
                    combineValues.setSecondPart(secondPart);   
                    context.write(combineValues.getJoinKey(), combineValues);   
                }else{   
                    return ;   
                }   
            }   
        }   
    }   
    public static class SemiJoinReducer extends Reducer<Text, CombineValues, Text, Text> {   
        //存储一个分组中的左表信息 
        private ArrayList<Text> leftTable = new ArrayList<Text>();   
        //存储一个分组中的右表信息 
        private ArrayList<Text> rightTable = new ArrayList<Text>();   
        private Text secondPar = null;   
        private Text output = new Text();   
        /** 
         * 一个分组调用一次reduce函数 
         */
        @Override
        protected void reduce(Text key, Iterable<CombineValues> value, Context context)   
                throws IOException, InterruptedException {   
            leftTable.clear();   
            rightTable.clear();   
            /** 
             * 将分组中的元素按照文件分别进行存放 
             * 这种方法要注意的问题: 
             * 如果一个分组内的元素太多的话,可能会导致在reduce阶段出现OOM, 
             * 在处理分布式问题之前最好先了解数据的分布情况,根据不同的分布采取最 
             * 适当的处理方法,这样可以有效的防止导致OOM和数据过度倾斜问题。 
             */
            for(CombineValues cv : value){   
                secondPar = new Text(cv.getSecondPart().toString());   
                //左表tb_dim_city 
                if("0".equals(cv.getFlag().toString().trim())){   
                    leftTable.add(secondPar);   
                }   
                //右表tb_user_profiles 
                else if("1".equals(cv.getFlag().toString().trim())){   
                    rightTable.add(secondPar);   
                }   
            }   
            logger.info("tb_dim_city:"+leftTable.toString());   
            logger.info("tb_user_profiles:"+rightTable.toString());   
            for(Text leftPart : leftTable){   
                for(Text rightPart : rightTable){   
                    output.set(leftPart+ "\t" + rightPart);   
                    context.write(key, output);   
                }   
            }   
        }   
    }   
    @Override
    public int run(String[] args) throws Exception {   
            Configuration conf=getConf(); //获得配置文件对象 
            DistributedCache.addCacheFile(new Path(args[2]).toUri(), conf);
            Job job=new Job(conf,"LeftOutJoinMR");   
            job.setJarByClass(SemiJoin.class);

            FileInputFormat.addInputPath(job, new Path(args[0])); //设置map输入文件路径 
            FileOutputFormat.setOutputPath(job, new Path(args[1])); //设置reduce输出文件路径

            job.setMapperClass(SemiJoinMapper.class);   
            job.setReducerClass(SemiJoinReducer.class);

            job.setInputFormatClass(TextInputFormat.class); //设置文件输入格式 
            job.setOutputFormatClass(TextOutputFormat.class);//使用默认的output格式

            //设置map的输出key和value类型 
            job.setMapOutputKeyClass(Text.class);   
            job.setMapOutputValueClass(CombineValues.class);

            //设置reduce的输出key和value类型 
            job.setOutputKeyClass(Text.class);   
            job.setOutputValueClass(Text.class);   
            job.waitForCompletion(true);   
            return job.isSuccessful()?0:1;   
    }   
    public static void main(String[] args) throws IOException,   
            ClassNotFoundException, InterruptedException {   
        try {   
            int returnCode =  ToolRunner.run(new SemiJoin(),args);   
            System.exit(returnCode);   
        } catch (Exception e) {   
            logger.error(e.getMessage());   
        }   
    }   
} 

  

  

那里还说说SemiJoin也是有自然的适用范围的,其抽取出来举行join的key是要放手内存中的,所以不可见太大,简单在Map端造成OOM。

此地还说说SemiJoin也是有肯定的适用范围的,其抽取出来进行join的key是要放置内存中的,所以不可知太大,不难在Map端造成OOM。

三、总结
blog介绍了两种join方式。那二种join方式适用于不相同的气象,其处理功用上的距离照旧蛮大的,其中重点导致因素是互连网传输。Map
join功能最高,其次是SemiJoin,最低的是reduce
join。此外,写分布式大数量处理程序的时最好要对完全要拍卖的数据分布情状作一个打探,那足以压实大家代码的频率,使数码的倾斜度降到最低,使大家的代码倾向性更好。

三、总结
blog介绍了二种join形式。那三种join格局适用于不一致的场景,其处理成效上的相距仍然蛮大的,其中最主要导致因素是互连网传输。Map
join效用最高,其次是SemiJoin,最低的是reduce
join。此外,写分布式大数据处理程序的时最好要对完全要处理的数据分布情状作一个摸底,那可以抓牢大家代码的功效,使数据的倾斜度降到最低,使大家的代码倾向性更好。

本文写作进度中参考了巴黎尚学堂连带技术文章,在此谢谢新加坡尚学堂先生的辅助。

正文写作进程中参阅了香江尚学堂相关技能文章,在此感激东京(Tokyo)尚学堂先生的扶植。

 

 

相关文章