实验8 MapReduce-Join操作

8.3.1概述

对于RDBMS中的Join操作，写SQL的时候要十分注意细节，稍有差池就会耗时很长造成很大的性能瓶颈，而在Hadoop中使用MapReduce框架进行Join操作时同样耗时，但是由于Hadoop的分布式设计理念的特殊性，因此对于这种Join操作也具备了一定的特殊性。

8.3.2原理

使用MapReduce实现Join操作有多种实现方式：

在Reduce端连接为最常见的模式：

Map端的主要工作：为来自不同表（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。

Reduce端的主要工作：在Reduce端以连接字段作为key的分组已经完成，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阶段已经打上标志）分开，最后进行笛卡尔就可以了。

在Map端进行连接：

使用场景：一张表十分小，一张表很大。

用法：在提交作业的时候首先将小表文件放到该作业的DistributedCache中，其次从DistributedCache中取出该小表进行Join key/value解释分割放到内存中（可以放大Hash Map等容器中）。最后扫描大表，看大表中的每条记录的Join key/value值是否能够在内存中找到相同Join key记录，如果有则直接输出结果。

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端过滤掉一些数据，在网络中之传输参与连接的数据，不参与连接的数据不必在网络中传输，从而减少了shuffle的网络传输量，使整体效率提高，其他思想和Reduce Join是一模一样的。也就是将小表中参与Join的key单独抽出来通过DistributedCache分发到相关节点，然后将其取出放到内存中（可以放到HashSet中），在map阶段扫描连接表，将Join key不再内存HashSet中的记录过滤掉，让那些参与Join的记录通过shuffle传输到Reduce端进行Join操作，其他和Reduce Join都一样。

8.3.3实验

完整代码：

package lab8;

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

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.io.WritableComparator;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Partitioner;
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.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;

public class MRJoin {
	public static class MR_Join_Mapper extends Mapper{
		@Override
		protected void map(LongWritable key, Text value,Context context)throws IOException,InterruptedException{
			//获取输入文件的全路径和名称
			String pathName=((FileSplit)context.getInputSplit()).getPath().toString();
			if(pathName.contains("data.txt")) {
				String values[]=value.toString().split("\t");
				if(values.length<3) {
					//data数据格式不规范，字段小于3,抛弃数据
					return;
				}else {
					//数据格式规范，区分标识为1
					TextPair tp=new TextPair(new Text(values[1]),new Text("1"));
					context.write(tp, new Text(values[0]+"\t"+values[2]));
					
				}
			}
			if(pathName.contains("info.txt")) {
				String values[]=value.toString().split("\t");
				if(values.length<2) {
					//info数据格式不规范，字段小于2,抛弃数据
					return;
				}else {
					//数据格式规范，区分标识为0
					TextPair tp=new TextPair(new Text(values[0]),new Text("0"));
					context.write(tp, new Text(values[1]));
					
				}
			}
		}
	}
	public static class MR_Join_Partitioner extends Partitioner{
		@Override
		public int getPartition(TextPair key,Text value,int numPartition) {
			return Math.abs(key.getFirst().hashCode()*127)%numPartition;
		}
	}
	public static class MR_Join_Comparator extends WritableComparator{
		public MR_Join_Comparator() {
			super(TextPair.class,true);
		}
		public int compare(WritableComparable a, WritableComparable b) {
			TextPair t1=(TextPair)a;
			TextPair t2=(TextPair)b;
			return t1.getFirst().compareTo(t2.getFirst());
		}
	}
	public static class MR_Join_Reduce extends Reducer{
		@Override
		protected void reduce(TextPair key,Iterable values,Context context)throws IOException,InterruptedException{
			Text pid=key.getFirst();
			String desc=values.iterator().next().toString();
			while(values.iterator().hasNext()) {
				context.write(pid,new Text(values.iterator().next().toString()+"\t"+desc));
			}
		}
	}
	public static void main(String agrs[])throws IOException,InterruptedException,ClassNotFoundException{
		Configuration conf=new Configuration();
		GenericOptionsParser parser =new GenericOptionsParser(conf,agrs);
		String[] otherArgs=parser.getRemainingArgs();
		if(agrs.length<3) {
			System.err.println("Usage:MRJoin
");
			System.exit(2);
		}
		Job job=new Job(conf,"MRJoin");
		//设置运行的Job
		job.setJarByClass(MRJoin.class);
		//设置Map相关内容
		job.setMapperClass(MR_Join_Mapper.class );
		job.setMapOutputKeyClass(TextPair.class);
		job.setMapOutputValueClass(Text.class );
		
		job.setPartitionerClass(MR_Join_Partitioner.class );
		//在分区之后按照指定条件分组
		job.setGroupingComparatorClass(MR_Join_Comparator.class );
		
		job.setReducerClass(MR_Join_Reduce.class );
		//设置Reducer的输出
		job.setOutputKeyClass(Text.class );
		job.setOutputValueClass(Text.class );
		FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
		FileInputFormat.addInputPath(job,new Path(otherArgs[1]));
		FileOutputFormat.setOutputPath(job, new Path(otherArgs[2]));
		//执行知道结束就退出
		System.exit(job.waitForCompletion(true)?0:1);
		
	}
}


class TextPair implements WritableComparable{
	private Text first;
	private Text second;
	public TextPair() {
		set(new Text(),new Text());
	}
	public TextPair(String first,String second) {
		set(new Text(first),new Text(second));
	}
	public TextPair(Text first,Text second) {
		set(first,second);
	}
	public void set(Text first,Text second) {
		this.first=first;
		this.second=second;
	}
	public Text getFirst() {
		return first;
	}
	public Text getSecond() {
		return second;
	}
	public void write(DataOutput out)throws IOException{
		first.write(out);
		second.write(out);
	}
	public void readFields(DataInput in)throws IOException{
		first.readFields(in);
		second.readFields(in);
	}
	public int compareTo(TextPair tp) {
		int cmp=first.compareTo(tp.first);
		if(cmp!=0) {
			return cmp;
		}
		return second.compareTo(tp.second);
	}
}

执行方式一：

hadoop jar MRJoin.jar lab8.MRJoin /input1/data.txt /input2/info.txt /output

注：提交到hadoop执行时必须打开HDFS和YARN：start-dfs.sh,start-yarn.sh

执行方式二：

在eclipse中本地执行（默认）确保src文件夹下面没有hdfs-site.xml和core-site.xml

配置参数：./input1/data.txt ./input2/info.txt ./output

注：input1和input2文件夹和src文件夹处在同一级，如果src文件夹下有hadoop的相关配置文件，那么eclipse会把任务提交到HDFS中运行

文件data.txt:

201001    1003    abc
201002    1005    def
201003    1006    ghi
201004    1003    jkl
201005    1004    mno
201006    1005    pqr

文件info.txt:

1003    kaka
1004    da
1005    jue
1006    zhao

运行结果：

1003    201004    jkl    kaka
1003    201001    abc    kaka
1004    201005    mno    da
1005    201006    pqr    jue
1005    201002    def    jue
1006    201003    ghi    zhao

程序执行过程分析：

map()后：

[1003 1] , 201001 abc

[1003 1] , 201004 jkl

...

[1003 0] , kaka

...

以上的三个会发送到同一个Reducer

reduce处理过程：

以上三个会被汇聚成一组（GroupingComparator：具有相同key.first的一起处理）,然后被排序为（因为TextPair实现了WritableComparable接口）：

[1003 0] , kaka

[1003 1] , 201001 abc

[1003 1] , 201004 jkl

该组中desc=1003，第2和第3个数据的value会被分别遍历

实验中可能的错误:

Mapreduce Error: Type mismatch in key from map

java.lang.Exception: java.io.IOException: Type mismatch in key from map: expected lab8.TextPair, received org.apache.hadoop.io.LongWritable
    at org.apache.hadoop.mapred.LocalJobRunner$Job.runTasks(LocalJobRunner.java:462)
    at org.apache.hadoop.mapred.LocalJobRunner$Job.run(LocalJobRunner.java:522)
Caused by: java.io.IOException: Type mismatch in key from map: expected lab8.TextPair, received org.apache.hadoop.io.LongWritable
    at org.apache.hadoop.mapred.MapTask$MapOutputBuffer.collect(MapTask.java:1069)
    at org.apache.hadoop.mapred.MapTask$NewOutputCollector.write(MapTask.java:712)
    at org.apache.hadoop.mapreduce.task.TaskInputOutputContextImpl.write(TaskInputOutputContextImpl.java:89)
    at org.apache.hadoop.mapreduce.lib.map.WrappedMapper$Context.write(WrappedMapper.java:112)
    at org.apache.hadoop.mapreduce.Mapper.map(Mapper.java:124)
    at org.apache.hadoop.mapreduce.Mapper.run(Mapper.java:145)
    at org.apache.hadoop.mapred.MapTask.runNewMapper(MapTask.java:784)
    at org.apache.hadoop.mapred.MapTask.run(MapTask.java:341)
    at org.apache.hadoop.mapred.LocalJobRunner$Job$MapTaskRunnable.run(LocalJobRunner.java:243)
    at java.util.concurrent.Executors$RunnableAdapter.call(Executors.java:511)
    at java.util.concurrent.FutureTask.run(FutureTask.java:266)
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1149)
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:624)
    at java.lang.Thread.run(Thread.java:748)
17/11/12 12:45:08 INFO mapreduce.Job: Job job_local1488163749_0001 running in uber mode : false
17/11/12 12:45:08 INFO mapreduce.Job:  map 0% reduce 0%
17/11/12 12:45:08 INFO mapreduce.Job: Job job_local1488163749_0001 failed with state FAILED due to: NA
17/11/12 12:45:08 INFO mapreduce.Job: Counters: 0

出现这个错误的原因：

1.map和reduce中的输入输出格式不对。

你看一下你map的输出和reduce的输入是不是对应的，然后看看你的map和reduce里的参数和下面的是不是设置的一样。
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

2.新旧api混用。你的map()方法 没有按新api写， 结果系统不认为它是一个重载，而是一个新方法，不会被调用。

解决办法：在的map(), reduce()前面加上@Override，并按照新的API来写map(), reduce()。