Hadoop3教程（十八）：MapReduce之MapJoin案例分析

（118）MapJoin案例需求分析

ReduceJoin的问题

在ReduceJoin中，合并的操作是在Reduce阶段进行的，所以相比Map阶段，Reduce阶段的处理压力过大。另外，相同的产品ID的数据会进入同一个Reducer中，如果这个产品ID下数据过多，其他产品ID的数据很少，那么会导致前面那个Reducer压力过大，这就是数据倾斜问题。

如何解决ReduceJoin的问题

那如何解决这种问题呢？

比较好的方法是不使用ReduceJoin，使用MapJoin，即在Map阶段实现拼接。

思路简单来说，就是将产品码表放进内存，orders.txt正常切片进入mapper，然后mapper处理的时候，就逐行对orders.txt里的数据进行产品码值的替换。

基于这种方式，MapJoin的适用场景也就很明显了，MapJoin适用于一张或多张表特别小（不能把内存撑爆了），一张表特别大的场景。

如何将一个文件主动缓存到集群的内存里

那问题来了，在Hadoop里怎么把一张表主动缓存到内存当中，且还能在map()里调用呢？

首先我们需要在驱动类里，指定将文件加载到缓存：

//缓存普通文件到Task运行节点。
job.addCacheFile(new URI("file:///e:/cache/pd.txt"));
//如果是集群运行,需要设置HDFS路径
job.addCacheFile(new URI("hdfs://hadoop102:8020/cache/pd.txt"));// MapJoin的话就不需要Reduce阶段了
job.setNumReduceTasks(0);

然后在自定义Mapper类的setup()里，按以下流程编写代码，以读取缓存的文件数据：

//1. 获取缓存的文件；
// 2.循环读取缓存文件中每一行；
// 3. 切割；
// 4. 缓存数据到集合；

setup()执行完成后，才会执行map()。

所以我们最后在map()里，获取一行后，截取到pid，从内存中码表拿到产品中文名，拼接给出就可以。

（119）MapJoin案例代码实现

过了一遍教程，其实就是对上一小节的代码实现。

总的来说，就是只有一个Map阶段，在Map阶段中，在map()处理之前，先把码表读进内存中，然后map()在一行一行读取后，直接使用内存中的码表对指定字段进行替换即可。

对我来讲用处不大，所以这里直接跳过，但还是补充一下代码：

在MapJoinDriver驱动类中添加缓存文件:

package com.atguigu.mapreduce.mapjoin;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.IOException;
import java.net.URI;
import java.net.URISyntaxException;public class MapJoinDriver {public static void main(String[] args) throws IOException, URISyntaxException, ClassNotFoundException, InterruptedException {// 1 获取job信息Configuration conf = new Configuration();Job job = Job.getInstance(conf);// 2 设置加载jar包路径job.setJarByClass(MapJoinDriver.class);// 3 关联mapperjob.setMapperClass(MapJoinMapper.class);// 4 设置Map输出KV类型job.setMapOutputKeyClass(Text.class);job.setMapOutputValueClass(NullWritable.class);// 5 设置最终输出KV类型job.setOutputKeyClass(Text.class);job.setOutputValueClass(NullWritable.class);// 加载缓存数据job.addCacheFile(new URI("file:///D:/input/tablecache/pd.txt"));// Map端Join的逻辑不需要Reduce阶段，设置reduceTask数量为0job.setNumReduceTasks(0);// 6 设置输入输出路径FileInputFormat.setInputPaths(job, new Path("D:\\input"));FileOutputFormat.setOutputPath(job, new Path("D:\\output"));// 7 提交boolean b = job.waitForCompletion(true);System.exit(b ? 0 : 1);}
}

在MapJoinMapper类中的setup方法中读取缓存文件，并在map()里进行替换:

package com.atguigu.mapreduce.mapjoin;import org.apache.commons.lang.StringUtils;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
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;import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.URI;
import java.util.HashMap;
import java.util.Map;public class MapJoinMapper extends Mapper<LongWritable, Text, Text, NullWritable> {private Map<String, String> pdMap = new HashMap<>();private Text text = new Text();//任务开始前将pd数据缓存进pdMap@Overrideprotected void setup(Context context) throws IOException, InterruptedException {//通过缓存文件得到小表数据pd.txtURI[] cacheFiles = context.getCacheFiles();Path path = new Path(cacheFiles[0]);//获取文件系统对象,并开流FileSystem fs = FileSystem.get(context.getConfiguration());FSDataInputStream fis = fs.open(path);//通过包装流转换为reader,方便按行读取BufferedReader reader = new BufferedReader(new InputStreamReader(fis, "UTF-8"));//逐行读取，按行处理String line;while (StringUtils.isNotEmpty(line = reader.readLine())) {//切割一行    
//01	小米String[] split = line.split("\t");pdMap.put(split[0], split[1]);}//关流IOUtils.closeStream(reader);}@Overrideprotected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {//读取大表数据    
//1001	01	1String[] fields = value.toString().split("\t");//通过大表每行数据的pid,去pdMap里面取出pnameString pname = pdMap.get(fields[1]);//将大表每行数据的pid替换为pnametext.set(fields[0] + "\t" + pname + "\t" + fields[2]);//写出context.write(text,NullWritable.get());}
}

参考文献

1. 【尚硅谷大数据Hadoop教程，hadoop3.x搭建到集群调优，百万播放】