Mapreduce实例---连表查询（join）

一：问题介绍

订单详情表 detail
order_id    item_id            amount   
12                sp001                2             
12                sp002                4
12                sp003                3
13                sp001                2
13                sp002                4

商品信息表  iteminfo
item_id         item_type    
sp001                type001
sp002                type002
sp003                type002

结果：

将两张表连起来，输出下面的数据：

order_id       item_id      amount       item_id        item_type

二：解题思路

（1）reduce端join实现

缺点：当reduce task1处理的数据量很大，而reduce task2处理的数据量很小的时候（数据倾斜），会降低效率。所以出现的方法（2）map端join实现。

（2）map端join实现

缺点：不会受到数据倾斜的影响，但只适用于大小表join的情况。（detail表很大，iteminfo表很小）

三：代码

（1）reduce端join实现

public class ReduceSideJoin {
	static class ReduceSideJoinMapper extends Mapper {
		// 从源数据中读取一行后，切分成各个字段，然后将join条件：item_id作为key，其他信息作为整个value输出
		@Override
		protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
			String[] fields = value.toString().split(",");
			String order_id = "";
			String item_id = "";
			String amount = "";
			String item_typ = "";
			String flag = "0"; // 如果来自于订单详情表，flag标志置为0，否则为1

			// 需要判断正在处理中的这一行数据是来自于哪个文件
			FileSplit inputSplit = (FileSplit) context.getInputSplit();
			String fileName = inputSplit.getPath().getName();

			if ("detail.txt".equals(fileName)) { // 如果这一行数据来自于订单详情表
				order_id = fields[0];
				item_id = fields[1];
				amount = fields[2];
			} else { // 如果这一行数据来自于商品信息表
				item_id = fields[0];
				item_typ = fields[1];
				flag = "1";
			}

			JoinBean bean = new JoinBean(order_id, item_id, amount, item_typ, flag);
			context.write(new Text(item_id), bean);
		}
	}
	
	static class ReduceSideJoinReducer extends Reducer {
		/*
		 * sp001 --->( 12 sp001 2 ) 来自于订单详情
		 * sp001 --->( 13 sp001 2 )
		 * sp001 --->( ... )
		 * sp001 --->( sp001 type001 ) 来自于商品表
		 */
		@Override
		protected void reduce(Text key, Iterable values, Context context) throws IOException, InterruptedException {
			String type = null;
			ArrayList detailBeans = new ArrayList();

			for (JoinBean bean : values) {
				if ("1".equals(bean.getFlag())) { // 如果这个bean是来自于商品表
					type = bean.getItem_typ();
				} else {
					// detailBeans.add(bean);
					// 不能这样写！！！原因是，这种写法，每次往list中添加的都是同一个对象
					detailBeans.add(new JoinBean(bean.getOrder_id(), bean.getItem_id(), bean.getAmount(), bean.getItem_typ(), bean.getFlag()));
				}

			}

			for (JoinBean bean : detailBeans) {
				// 把商品类别字段join到订单详情记录中
				bean.setItem_typ(type);
				context.write(NullWritable.get(), bean);
			}
		}
	}
	
	public static void main(String[] args) throws Exception, IOException {
		Configuration conf = new Configuration();
		Job job = Job.getInstance(conf);

		job.setJarByClass(ReduceSideJoin.class);

		job.setMapperClass(ReduceSideJoinMapper.class);
		job.setReducerClass(ReduceSideJoinReducer.class);

		job.setMapOutputKeyClass(Text.class);
		job.setMapOutputValueClass(JoinBean.class);

		job.setOutputKeyClass(NullWritable.class);
		job.setOutputValueClass(JoinBean.class);

		FileInputFormat.setInputPaths(job, new Path(args[0]));
		FileOutputFormat.setOutputPath(job, new Path(args[1]));

		boolean res = job.waitForCompletion(true);

		System.exit(res ? 0 : 1);
	}
}

（2）map端join实现

public class MapSideJoin {

	static class MapSideJoinMapper extends Mapper {
		private HashMap iteminfo = new HashMap();

		/**
		 * setup()方法是由map task在执行map处理逻辑之前执行的一个初始化方法，仅执行一次
		 * 所以，我们可以在setup方法中，将“分布式缓存distributedCache”(maptask进程所在的工作目录中)
		 * 的商品信息文件加载到内存
		 */
		@Override
		protected void setup(Context context) throws IOException, InterruptedException {

			// 读取分布式缓存机制分发到进程本地的商品信息表文件，将文件内容加载到内存的hashmap中
			BufferedReader br = new BufferedReader(new FileReader("iteminfo.txt"));
			String line = null;
			while (null != (line = br.readLine())) {
				String[] fields = line.split(",");
				iteminfo.put(fields[0], fields[1]);
			}
			br.close();
		}

		@Override
		protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

			// 这是map task进程帮我们从输入数据也就是订单详情表中读入的一行
			String line = value.toString();
			// order_id   item_id   amount
			String[] fields = line.split(",");

			String order_id = fields[0];
			String item_id = fields[1];
			String amount = fields[2];

			String item_type = iteminfo.get(item_id); // 需要从商品信息表中去获取，而商品信息表已经在setup方法中加载到了hashmap中了
			JoinBean bean = new JoinBean(order_id, item_id, amount, item_type, "");

			context.write(NullWritable.get(), bean);
		}
	}

	public static void main(String[] args) throws Exception {
		Configuration conf = new Configuration();
		Job job = Job.getInstance(conf);

		job.setJarByClass(MapSideJoin.class);

		job.setMapperClass(MapSideJoinMapper.class);

		job.setOutputKeyClass(NullWritable.class);
		job.setOutputValueClass(JoinBean.class);

		// 将hdfs上的一个文件添加到mapreduce框架提供的distributedCache中
		// distributedCache的本质就是将文件分发到每一个map task进程所在机器的工作目录中
		job.addCacheFile(new URI("hdfs://192.168.77.70:9000/tocache/iteminfo.txt"));

		//因为mapside-join机制中不需要reduce阶段，所以通过这句代码强制限定reduce task数量为0
		job.setNumReduceTasks(0);
		
		// 注意：输入数据中只包含订单详情文件
		FileInputFormat.setInputPaths(job, new Path(args[0]));
		FileOutputFormat.setOutputPath(job, new Path(args[1]));

		job.waitForCompletion(true);
	}
}