大数据学习之Hadoop——10MapReduce实现Reduce Join(多个文件联合查询)

一. MapReduce Join

对两份数据data1和data2进行关键词连接是一个很通用的问题，如果数据量比较小，可以在内存中完成连接。
如果数据量比较大，在内存进行连接操会发生OOM。mapreduce join可以用来解决大数据的连接。

1. 思路

1. reduce join

在map阶段, 把关键字作为key输出，并在value中标记出数据是来自data1还是data2。因为在shuffle阶段已经自然按key分组，reduce阶段，判断每一个value是来自data1还是data2,在内部分成2组，做集合的乘积。这种方法有2个问题：

1. map阶段没有对数据瘦身，shuffle的网络传输和排序性能很低。
2. reduce端对2个集合做乘积计算，很耗内存，容易导致OOM。

2. map join

两份数据中，如果有一份数据比较小，小数据全部加载到内存，按关键字建立索引。大数据文件作为map的输入文件，对map()函数每一对输入，都能够方便地和已加载到内存的小数据进行连接。把连接结果按key输出，经过shuffle阶段，reduce端得到的就是已经按key分组的，并且连接好了的数据。

这种方法，要使用hadoop中的DistributedCache把小数据分布到各个计算节点，每个map节点都要把小数据库加载到内存，按关键字建立索引。这种方法有明显的局限性：

1. 有一份数据比较小，在map端，能够把它加载到内存，并进行join操作。

3. 使用内存服务器，扩大节点的内存空间

针对map join，可以把一份数据存放到专门的内存服务器，在map()方法中，对每一个的输入对，根据key到内存服务器中取出数据，进行连接

4. 使用BloomFilter过滤空连接的数据

对其中一份数据在内存中建立BloomFilter，另外一份数据在连接之前，用BloomFilter判断它的key是否存在，如果不存在，那这个记录是空连接，可以忽略。

5. 使用mapreduce专为join设计的包

在mapreduce包里看到有专门为join设计的包，对这些包还没有学习，不知道怎么使用，只是在这里记录下来，作个提醒。

1. jar： mapreduce-client-core.jar
2. package： org.apache.hadoop.mapreduce.lib.join

二. 代码实现

1. 问题:

2. 输入文件格式说明:

   1. movies.csv
      
   2. ratting.csv
      

3. 输出文件格式说明:
   

2. 实现reduce join

题目: 将两个文件(movies.csv 和 ratings.csv)中形同电影ID的数据合并成一条数据

1. Driver端

   package com.hjf.mr.movie;
   
   import org.apache.hadoop.conf.Configuration;
   import org.apache.hadoop.fs.FileSystem;
   import org.apache.hadoop.fs.Path;
   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;
   
   /**
    * @author Jiang锋时刻
    * @create 2020-05-18 14:09
    */
   public class MovieDriver {
       public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
           Configuration conf = new Configuration();
           Job job = Job.getInstance(conf);
           job.setJarByClass(MovieDriver.class);
   
           job.setMapperClass(MovieMapper.class);
           job.setReducerClass(MovieReducer.class);
   
           job.setMapOutputKeyClass(Text.class);
           job.setMapOutputValueClass(Text.class);
           job.setOutputKeyClass(Text.class);
           job.setOutputValueClass(Text.class);
   
           Path inputPath1 = new Path("./Data/movie/movies.csv");
           Path inputPath2 = new Path("./Data/movie/ratings.csv");
           Path outputPath = new Path("./Data/result");
   
           FileSystem fs = FileSystem.get(conf);
           if (fs.exists(outputPath)) {
               fs.delete(outputPath, true);
           }
   
           FileInputFormat.setInputPaths(job, inputPath1, inputPath2);
           FileOutputFormat.setOutputPath(job, outputPath);
   
           job.waitForCompletion(true);
           
       }
   }
   
   

2. Mapper 端

   package com.hjf.mr.movie;
   
   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;
   
   /**
    * @author Jiang锋时刻
    * @create 2020-05-18 14:12
    */
   public class MovieMapper extends Mapper<LongWritable, Text, Text, Text> {
       Text outKey = new Text();
       Text outValue = new Text();
       StringBuilder sb = new StringBuilder();
   
       @Override
       protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
           // 获取文件信息: 文件路径/文件名:0+XXX
           FileSplit inputSplit = (FileSplit) context.getInputSplit();
           // 获取文件名
           String fileName = inputSplit.getPath().getName();
           String[] split = value.toString().split(",");
           sb.setLength(0);
   
           /**
            * movies.csv文件中每条数据的格式:
            *  movieId	    title	            genres
            *  1	        Toy Story (1995)	Adventure|Animation|Children|Comedy|Fantasy
            */
           if (fileName.equals("movies.csv")) {
               // movieId 作为key
               outKey.set(split[0]);
   
               // title    genres
               StringBuilder append = sb.append(split[1]).append("\t").append(split[2]);
               String str = "movies#" + append.toString();
               // "movie#title  genres" 作为value
               outValue.set(str);
   
               context.write(outKey, outValue);
   
           } else if(fileName.equals("ratings.csv")) {
               /**
                * ratings.csv文件中每条数据的格式:
                *  userId	movieId	    rating	timestamp
                *  1	    1	        4	    964982703
                */
               // movieId 作为key
               outKey.set(split[1]);
               // userId   rating  timestamp
               StringBuilder append = sb.append(split[0]).append("\t").append(split[2]).append("\t").append(split[3]);
               String str = "ratings#" + append.toString();
               // "ratings#userId  rating  timestamp" 作为value
               outValue.set(str);
   
               context.write(outKey, outValue);
           }			
       }
   }
   
   

3. Reducer 端

   package com.hjf.mr.movie;
   
   import org.apache.hadoop.io.Text;
   import org.apache.hadoop.mapreduce.Reducer;
   
   import java.io.IOException;
   import java.util.ArrayList;
   import java.util.List;
   
   /**
    * @author Jiang锋时刻
    * @create 2020-05-18 15:20
    */
   public class MovieReducer extends Reducer<Text, Text, Text, Text> {
       List<String> moviesList = new ArrayList<>();
       List<String> ratingsList = new ArrayList<>();
       Text outValue = new Text();
   
       @Override
       protected void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
           for (Text value: values){
               // 将value中以"movies#"开头的放在moviesList列表中
               if (value.toString().startsWith("movies#")) {
                   String string = value.toString().split("#")[1];
                   moviesList.add(string);
               } else if (value.toString().startsWith("ratings#")){
                   // 将value中以"ratings#"开头的放在ratingsList列表中
                   String string = value.toString().split("#")[1];
                   ratingsList.add(string);
               }
           }
   
           // 获取两个集合的长度
           int moviesSize = moviesList.size();
           int ratingsSize = ratingsList.size();
           // 将相同movieId 的两个表中的数据进行合并
           for (int i = 0; i < moviesSize; i++) {
               for (int j = 0; j < ratingsSize; j++) {
                   outValue.set(moviesList.get(i) + "\t" + ratingsList.get(j));
                   context.write(key, outValue);
               }
           }
           // 清空列表
           moviesList.clear();
           ratingsList.clear();
       }
   }
   
   

3. 实现map join

题目: 求被评分次数最多的10部电影，并给出评分次数（电影名，评分次数）

编写的代码运行不了, 等有时间了再好好分析