在大数据MapReduce作业开发中，我们经常会遇到一些大小表的join，这是如果这个小表足够“小”的话，我们可以使用进行“map-join-side”，这要就可以有效的降低reduce端的压力，但是在常用的JDK的集合中的Map有些许鸡肋，因此，各路大神们针对这个问题开发出了不同的集合框架，用以替换原始集合，下面我们具体介绍几种常用的集合框架：
首先，我们设想了一个场景——计算不同事业部015、2016年老客，新客-转化，新客-新增的用户数量，这三种类型的用户的定义如下：
老客：前一年和当前年均购买过服百事业部商品
新客-转化：前一年购买过图书，当前年购买了服百事业部商品
新客-新增：前一年什么也没买，当前年购买了服百事业部商品
因此，根据上述定义，举例：2016年老客就是根据cust_id（用户ID）在服百分类（fubaiArrayList ）和服百总和（fubaiAllArrayList ）两个集合查看2016年和2015年均存在的用户。2016年新客-转化就是根据cust_id（用户ID）在图书（bookArrayList ）存在2015年购买记录，在服百分类（fubaiArrayList ）和服百总和（fubaiAllArrayList ）两个集合查看2016年存在的用户。2016年新客-新增就是根据cust_id（用户ID）在所有用户（allArrayList ）不存在2015年购买记录，但在服百分类（fubaiArrayList ）和服百总和（fubaiAllArrayList ）两个集合查看2016年存在的用户。
因此，根据上述解释，我们构造了原始实现代码为：
public static class Map extends Mapper<LongWritable, Text, Text, Text> { public static ArrayList<String> bookArrayList = null; public static ArrayList<String> fubaiAllArrayList = null; public static ArrayList<String> fubaiArrayList = null; public static ArrayList<String> allArrayList = null; @Override protected void setup(Mapper<LongWritable, Text, Text, Text>.Context context) throws IOException, InterruptedException { bookArrayList = new ArrayList<String>(); Configuration configuration = context.getConfiguration(); FileSystem fs = FileSystem.get(configuration); InputStream in = null; BufferedReader reader = null; String tempString = null; Path book_path = new Path("/personal/zhoujie/recommend/book.csv");//14 15年全年购买过书的用户名单 if (fs.exists(book_path)) { in = fs.open(book_path); reader = new BufferedReader(new InputStreamReader(in, "utf-8")); while ((tempString = reader.readLine()) != null) { //年份 cust_id 图书事业部 String parts[] = tempString.split(TAB, -1); if(parts.length!=3)continue; bookArrayList.add(parts[0]+TAB+parts[1]); } } fubaiAllArrayList = new ArrayList<String>(); Path fubai_all_path = new Path("/personal/zhoujie/recommend/fubaiall.csv");//14 15年全年购买过服百的全部用户名单 if (fs.exists(fubai_all_path)) { in = fs.open(fubai_all_path); reader = new BufferedReader(new InputStreamReader(in, "utf-8")); while ((tempString = reader.readLine()) != null) { //年份 cust_id 服百事业部总和 String parts[] = tempString.split(TAB, -1); if(parts.length!=3)continue; fubaiAllArrayList.add(parts[0]+TAB+parts[1]); } } fubaiArrayList = new ArrayList<String>(); Path fubai_path = new Path("/personal/zhoujie/recommend/fubaiall.csv");//14 15年全年购买过各服百事业部的全部用户名单 if (fs.exists(fubai_path)) { in = fs.open(fubai_path); reader = new BufferedReader(new InputStreamReader(in, "utf-8")); while ((tempString = reader.readLine()) != null) { //年份 cust_id 各服百事业部 String parts[] = tempString.split(TAB, -1); if(parts.length!=3)continue; fubaiArrayList.add(parts[0]+TAB+parts[1]); } } allArrayList = new ArrayList<String>(); Path all_path = new Path("/personal/zhoujie/recommend/all_order.csv");//14 15年全年下单用户 if (fs.exists(all_path)) { in = fs.open(all_path); reader = new BufferedReader(new InputStreamReader(in, "utf-8")); while ((tempString = reader.readLine()) != null) { //年份 cust_id 事业部 String parts[] = tempString.split(TAB, -1); if(parts.length!=3)continue; allArrayList.add(parts[0]+TAB+parts[1]); } } } @Override protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, Text>.Context context) throws IOException, InterruptedException { InputSplit inputSplit = context.getInputSplit(); String fileName = ((FileSplit) inputSplit).getPath().toString(); if(fileName.contains("/personal/zhoujie/recommend/orderdetail/")){ //date+TAB+app_id+TAB+permanentid+TAB+toProductid "APP全站" "服百事业部" order_id 单价 个数 cust_id String[] splited = value.toString().split(TAB, -1); if(splited.length!=10)return; String year = splited[0].substring(0, 4); String cust_id = splited[9]; String department = splited[5]; if("2015".equals(year)){ if("服百事业部总和".equals(department)){//全部服百事业部 if (fubaiAllArrayList.contains("2014"+TAB+cust_id)) {//说明14年在服百事业部买过，作为老用户 context.write(new Text("2015"+TAB+"服百事业部总和"+TAB+"老用户"), new Text(cust_id)); }else if(bookArrayList.contains("2014"+TAB+cust_id)){//说明14年在图书事业部买过，作为新用户-转化用户 context.write(new Text("2015"+TAB+"服百事业部总和"+TAB+"新用户-转化用户"), new Text(cust_id)); }else if(!allArrayList.contains("2014"+TAB+cust_id)){//说明在14年没有买过任何东西 context.write(new Text("2015"+TAB+"服百事业部总和"+TAB+"新用户-新增用户"), new Text(cust_id)); } }else {//各服百事业部 if (fubaiArrayList.contains("2014"+TAB+cust_id)) {//说明14年在子服百事业部买过，作为老用户 context.write(new Text("2015"+TAB+department+TAB+"老用户"), new Text(cust_id)); }else if(bookArrayList.contains("2014"+TAB+cust_id)){//说明14年在图书事业部买过，作为新用户-转化用户 context.write(new Text("2015"+TAB+department+TAB+"新用户-转化用户"), new Text(cust_id)); }else if(!allArrayList.contains("2014"+TAB+cust_id)){//说明在14年没有买过任何东西 context.write(new Text("2015"+TAB+department+TAB+"新用户-新增用户"), new Text(cust_id)); } } }else if ("2016".equals(year)) { if("服百事业部总和".equals(department)){//全部服百事业部 if (fubaiAllArrayList.contains("2015"+TAB+cust_id)) {//说明15年在服百事业部买过，作为老用户 context.write(new Text("2016"+TAB+"服百事业部总和"+TAB+"老用户"), new Text(cust_id)); }else if(bookArrayList.contains("2015"+TAB+cust_id)){//说明15年在图书事业部买过，作为新用户-转化用户 context.write(new Text("2016"+TAB+"服百事业部总和"+TAB+"新用户-转化用户"), new Text(cust_id)); }else if(!allArrayList.contains("2015"+TAB+cust_id)){//说明在15年没有买过任何东西 context.write(new Text("2016"+TAB+"服百事业部总和"+TAB+"新用户-新增用户"), new Text(cust_id)); } }else {//各服百事业部 if (fubaiArrayList.contains("2015"+TAB+cust_id)) {//说明15年在子服百事业部买过，作为老用户 context.write(new Text("2016"+TAB+department+TAB+"老用户"), new Text(cust_id)); }else if(bookArrayList.contains("2015"+TAB+cust_id)){//说明15年在图书事业部买过，作为新用户-转化用户 context.write(new Text("2016"+TAB+department+TAB+"新用户-转化用户"), new Text(cust_id)); }else if(!allArrayList.contains("2015"+TAB+cust_id)){//说明在15年没有买过任何东西 context.write(new Text("2016"+TAB+department+TAB+"新用户-新增用户"), new Text(cust_id)); } } } } } }
一、JDK集合类
不用说，这个不是我们今天介绍的重点。正是由于原始集合的效率低下才有了这篇文章的存在。即上述代码就是JDK集合类的实现代码，经过多次测试，作业消耗时间大概在三个小时作业。
二、FastUtil集合框架
经过测试，FastUtil的集合类替换原始集合的时候，用时两小时：
bookArrayList = new ObjectBigArrayBigList<String>()
三、HPPC集合框架
经过测试，FastUtil的集合类替换原始集合的时候，用时三分钟：
bookArrayList = new ObjectHashSet<String>()
好快！
经过这三个集合类的测试，发现HPPC集合框架的查询效率是最高的。
