mapreduce之mapjoin

mapjoin指的是在mapreduce的map阶段先加载一个文件缓存到内存当中，这个文件可能是从磁盘读取的或网络请求的都可以。

map(key,value,context)方法中读取的数据key和value，这两个数据和先前缓存到内存中的数据一起做处理后再context.write()到reduce阶段。

mapjoin相当于在map阶段写数据到reduce阶段前对数据做了处理。

比如有两个txt文件
pd.txt
01 mac
02 huawei
03 xiaomi
第一个列代表订单id ，第二列代表商品名称

order.txt
201801 01 1
201802 02 2
201803 03 3
201804 01 4
201805 02 5
201806 03 6
第一列代表时间戳，第二列代表订单id，第三列代表数量

如果希望在map阶段输出
时间戳 订单id 订单数量 商品名称
201801 01 1 mac

可以在map中这样定义

package com.tony.mapjoin;

import java.io.BufferedReader;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.IOException;
import java.io.InputStreamReader;
import java.io.UnsupportedEncodingException;
import java.util.HashMap;

import org.apache.commons.lang.StringUtils;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

/*
 * 商品表加载到内存中，然后数据在map端输出前进行替换
 */
public class CacheMapper extends Mapper {
	//1.商品表加入到内存
	HashMap pdmap = new HashMap<>();
	protected void setup(Context context) throws IOException {
		//加载缓存文件
		BufferedReader br = new BufferedReader(new InputStreamReader(new FileInputStream("pd.txt"),"utf-8"));
		String line;
		while(StringUtils.isNotEmpty(line = br.readLine())) {
			//切分
			String[] fields = line.split("\t");
			
			//缓存
			pdmap.put(fields[0], fields[1]);
		}
		br.close();
	}
	
	//2.map传输
	@Override
	protected void map(LongWritable key, Text value, Context context)
			throws IOException, InterruptedException {
		//获取数据
		String line = value.toString();
		
		//切割
		String[] fields = line.split("\t");
		
		//获取订单商品id
		String pid = fields[1];
		
		//根据id查找商品名称
		String pdName = pdmap.get(pid);
		
		//拼接数据
		line = line +"\t" +pdName;
		
		//输出
		context.write(new Text(line), NullWritable.get());
	}
}

在自定义driver驱动类中

public class CacheDriver {
	public static void main(String[] args) throws Exception {
		//1.获取job信息
		Configuration conf = new Configuration();
		Job job = Job.getInstance(conf);
		
		//2.获取jar包
		job.setJarByClass(CacheDriver.class);
		
		//3.获取自定义的mapper与reducer类
		job.setMapperClass(CacheMapper.class);
		
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(NullWritable.class);
		
		FileInputFormat.setInputPaths(job, new Path("e://bigdata//table0112//in"));
		FileOutputFormat.setOutputPath(job, new Path("e://bigdata//table0112//out"));
		
		//加载缓存商品数据
		job.addCacheFile(new URI("file:///e:/bigdata/table0112/inputfile/pd.txt"));
	
		//设置一下reducetask的数量，因为没有设置reduce类
		job.setNumReduceTasks(0);
		
		//提交任务
		boolean rs = job.waitForCompletion(true);
		System.out.println(rs?0:1);
		
	}
}