MapReduce之Map Join
Posted perfectdata
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了MapReduce之Map Join相关的知识,希望对你有一定的参考价值。
一 介绍
之所以存在Reduce Join,是因为在map阶段不能获取所有需要的join字段,即:同一个key对应的字段可能位于不同map中。Reduce side join是非常低效的,因为shuffle阶段要进行大量的数据传输。
Map Join是针对以下场景进行的优化:两个待连接表中,有一个表非常大,而另一个表非常小,以至于小表可以直接存放到内存中。这样,我们可以将小表复制多份,让每个map task内存中存在一份(比如存放到hash table中),然后只扫描大表:对于大表中的每一条记录key/value,在hash table中查找是否有相同的key的记录,如果有,则连接后输出即可。
为了支持文件的共享,Hadoop用到了分布式缓存的概念,在MapReduce中称为DistributedCache(目前已被标注为弃用,分布式缓存的API可在Job类本身调用),它可以方便Map Task之间或Reduce Task之间共享一些信息,同时也可以将第三方Jar包添加到其Classpass路径中。Hadoop会将缓存数据分发到集群中所有准备启动的节点上,复制到mapreduce.temp.dir中的配置目录。
使用该类的方法如下:
job.addArchiveToClassPath(archive); //缓存jar包到task运行节点的classpath中 ob.addCacheArchive(uri); //缓存压缩包到task运行节点的工作目录 job.addFileToClassPath(file); //缓存普通文件到task运行节点的classpath中 job.addCacheFile(url); //将产品表文件缓存到task工作节点的工作目录中去
传参格式:hdfs://namenode:9000/home/XXX/file,即Jar包、压缩包、普通文件所在hdfs路径。
同时DistributedCache(分布式缓存)可用来解决join算法实现中的数据倾斜问题,例如两张表:订单表和产品表。
订单表:
订单号 时间 商品id 购买数量 1001,20170710,P0001,1 1002,20170710,P0001,3 1003,20170710,P0002,3 1004,20170710,P0002,4
产品表:
商品id 商品名称 P0001,xiaomi P0002,huawei
需求就是根据外键商品id来将两张表信息合并,拼接成 :
1001 ,20170710,P0001,1 xiaomi 1002,20170710,P0001,3 xiaomi 1003,20170710,P0002,3,huawei 1004,20170710,P0002,4,huawei
考虑问题:在mapreduce程序中,如果某些产品非常畅销,肯定会产生很多订单,但是刚好这些订单信息都传到了一个reduce中(分区默认就是使用hashcode%reducetask数量,所以这种情况是正常的)。那么这个reducetask压力就很大了,而其他的reducetask处理的信息就很小,有的甚至就处理几条数据,这就出现了数据倾斜问题。
解决方案:一般来说订单表的数据远远多于产品表数据,毕竟产品的种类就那些,所以我们可以把产品信息都交给Map Task就行了逻辑都让Map Task来处理,也就是说不使用Reduce了,而让每个Map Task持有个product.data(存储产品信息的文件)即可。那么maptask怎么获得这个文件呢?刚好hadoop提供了DistributedCache,我们将文件交给这个分布式缓存,它会将我们的文件放到Map Task的工作目录中,那么Map 端可以直接从工作目录中去拿。
二 代码部分
1 package mapreduce.DistributedCache; 2 3 import java.io.BufferedReader; 4 import java.io.FileInputStream; 5 import java.io.IOException; 6 import java.io.InputStream; 7 import java.io.InputStreamReader; 8 import java.net.URI; 9 import java.util.HashMap; 10 import java.util.Map; 11 import org.apache.hadoop.conf.Configuration; 12 import org.apache.hadoop.conf.Configured; 13 import org.apache.hadoop.fs.Path; 14 import org.apache.hadoop.io.LongWritable; 15 import org.apache.hadoop.io.NullWritable; 16 import org.apache.hadoop.io.Text; 17 import org.apache.hadoop.mapreduce.Job; 18 import org.apache.hadoop.mapreduce.Mapper; 19 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 20 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 21 import org.apache.hadoop.util.Tool; 22 import org.apache.hadoop.util.ToolRunner; 23 24 public class MapJoin extends Configured implements Tool{ 25 static class MapJoinMapper extends Mapper<LongWritable, Text, NullWritable, Text>{ 26 //用来缓存小文件(商品文件中的数据) 27 Map<String, String> produceMap = new HashMap<String,String>(); 28 Text k = new Text(); 29 /* 30 * 源码中能看到在循环执行map()之前会执行一次setUp方法,可以用来做初始化 31 */ 32 @Override 33 protected void setup(Context context) 34 throws IOException, InterruptedException { 35 36 //将商品文件中的数据写到缓存中 37 FileInputStream fileInput = new FileInputStream("product.data"); 38 //read data 39 InputStreamReader readFile = new InputStreamReader(fileInput ); 40 BufferedReader br = new BufferedReader(readFile); 41 String line = null; 42 while((line=br.readLine())!=null){ 43 //一行数据格式为P0001,xiaomi(商品id,商品名称) 44 String[] fields = line.split(","); 45 produceMap.put(fields[0], fields[1]); 46 } 47 } 48 @Override 49 protected void map(LongWritable key, Text value, Context context) 50 throws IOException, InterruptedException { 51 //一行订单数据 格式为 1001,20170710,P0001,1(订单id,创建时间,商品id,购买商品数量) 52 String line = value.toString(); 53 String[] fields = line.split(","); 54 //根据订单数据中商品id在缓存中找出来对应商品信息(商品名称),进行串接 55 String productName = produceMap.get(fields[2]); 56 k.set(line+","+productName); 57 context.write(NullWritable.get(), k ); 58 } 59 } 60 61 public int run(String[] args) throws Exception { 62 63 // step 1:get configuration 64 Configuration conf = this.getConf(); 65 //set job 66 Job job = Job.getInstance(conf); 67 job.setJarByClass(MapJoin.class); 68 69 job.setMapperClass(MapJoinMapper.class); 70 job.setMapOutputKeyClass(Text.class); 71 job.setMapOutputValueClass(NullWritable.class); 72 73 //设置最终输出类型 74 job.setOutputKeyClass(Text.class); 75 job.setOutputValueClass(NullWritable.class); 76 77 //将产品表文件缓存到task工作节点的工作目录中去 78 //缓存普通文件到task运行节点的工作目录(hadoop帮我们完成) 79 job.addCacheFile(new URI("hdfs://beifeng01:8020/user/beifeng01/mapreduce/input/mapjoin/product.data")); 80 81 //不需要reduce,那么也就没有了shuffle过程 82 job.setNumReduceTasks(0); 83 84 FileInputFormat.setInputPaths(job, new Path(args[0])); 85 FileOutputFormat.setOutputPath(job, new Path(args[1])); 86 87 boolean isSuccess = job.waitForCompletion(true); 88 89 return isSuccess ? 0 : 1; 90 } 91 92 public static void main(String[] args) throws Exception { 93 args = new String[]{ 94 "hdfs://beifeng01:8020/user/beifeng01/mapreduce/input/mapjoin/orderid.data", 95 "hdfs://beifeng01:8020/user/beifeng01/mapreduce/output4" 96 }; 97 98 Configuration conf = new Configuration(); 99 100 // run mapreduce 101 int status = ToolRunner.run(conf, new MapJoin(), args); 102 103 // exit program 104 System.exit(status); 105 } 106 }
运行代码后查看输出结果
[[email protected] hadoop-2.5.0-cdh5.3.6]$ bin/hdfs dfs -text /user/beifeng01/mapreduce/output4/p* 1001,20170710,P0001,1,xiaomi 1002,20170710,P0001,3,xiaomi 1003,20170710,P0002,3,huawei 1004,20170710,P0002,4,huawei
以上是关于MapReduce之Map Join的主要内容,如果未能解决你的问题,请参考以下文章