Hadoop_22_MapReduce map端join实现方式解决数据倾斜（DistributedCache）
1.Map端Join解决数据倾斜
1.Mapreduce中会将map输出的kv对，按照相同key分组(调用getPartition)，然后分发给不同的reducetask
2.Map输出结果的时候调用了Partitioner组件(返回分区号)，由它决定将数据放到哪个区中，默认的分组规
则为：根据key的hashcode%reducetask数来分发，源代码如下：
public class HashPartitioner<K, V> extends Partitioner<K, V> {
/** Use {@link Object#hashCode()} to partition. */
public int getPartition(K key, V value,int numReduceTasks) {
return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;
}
}
3.所以：如果要按照我们自己的需求进行分组，则需要改写数据分发（分组）组件Partitioner，自定义一个
CustomPartitioner继承抽象类：Partitioner，来返回一个分区编号
4.然后在job对象中，设置自定义partitioner： job.setPartitionerClass(CustomPartitioner.class)
5.自定义partition后，要根据自定义partitioner的逻辑设置相应数量的ReduceTask
存在的问题：如若Mapper输出的一些Key特别多，另一些Key特别少就会产生数据倾斜，造成一些Reducer特别忙
，一些则比较闲，我们说Mapper端相同key的输出数据会发到同一个Redurce端，需要把key相同的放在一起才能进行
拼接，所以才需要Reducer。如果我们不需要Reducer就能做拼接，就不存在数据倾斜了。
解决方案：Map端Join解决数据倾斜，我们为每一个MapTask准备一个表的全表。这种机制叫做Map Side Join。
当然这个表的全表不能很大
2.map端join算法实现原理：
原理阐述：1.适用于关联表中有小表的情形；2.可以将小表分发到所有的map节点，这样，map节点就可以在本地
对自己所读到的大表数据进行join并输出最终结果，可以大大提高join操作的并发度，加快处理速度；3.Hadoop提供
了一个Distributed Cache机制，能把文件在合适的时候发给MapTask，MapTask就可以从本地进行加载小表数据；
3.map端join代码实现示例：
：先在mapper类中预先定义好小表，进行join
：并用distributedcache机制将小表的数据分发到每一个maptask执行节点，从而每一个maptask节点可以从本地加
载到小表的数据，进而在本地即可实现join
：引入实际场景中的解决方案：一次加载数据库或者用distributedcache
代码：
package cn.gigdata.hdfs.mr; import java.io.BufferedReader; import java.io.FileInputStream; import java.io.IOException; import java.io.InputStreamReader; import java.net.URI; import java.util.HashMap; import java.util.Map; import org.apache.commons.lang.StringUtils; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.NullWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Job; import org.apache.hadoop.mapreduce.Mapper; import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; /** * 解决在Redue端的数据倾斜问题 * @author Administrator */ public class MapSideJoin { public static class MapSideJoinMapper extends Mapper<LongWritable, Text, Text, NullWritable>{ // 用一个hashmap来加载保存产品信息表 Map<String, String> pdInfoMap = new HashMap<String, String>(); Text k = new Text(); /** * 通过阅读父类Mapper的源码，发现 setup方法是在maptask处理数据之前调用一次 可以用来做一些初始化工作 */ @Override protected void setup(Mapper<LongWritable, Text, Text, NullWritable>.Context context) throws IOException, InterruptedException { //读取MapTask工作目录(已经存在，直接根据文件名进行读取)的文件，将数据放入HashMap中 BufferedReader br = new BufferedReader(new InputStreamReader(new FileInputStream("pdts.txt"))); String line; while(StringUtils.isNotEmpty(line = br.readLine())){ String[] fields = line.split(","); pdInfoMap.put(fields[0], fields[1]); } br.close(); } //由于已经持有完整的产品信息表，所以在map方法中就能实现join逻辑了 @Override protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { String orderLine = value.toString(); String fields[] = orderLine.split(","); //根据订单ID，在商品表中get到ID对应的商品名称 String pdName = pdInfoMap.get(fields[2]); k.set(orderLine + "," + pdName); context.write(k, NullWritable.get()); } } 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.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(NullWritable.class); FileInputFormat.setInputPaths(job, new Path(args[0])); FileOutputFormat.setOutputPath(job, new Path(args[1])); // 指定需要缓存一个文件到所有的maptask运行节点工作目录 /* job.addArchiveToClassPath(archive); */// 缓存jar包到task运行节点的classpath中 /* job.addFileToClassPath(file); */// 缓存普通文件到task运行节点的classpath中 /* job.addCacheArchive(uri); */// 缓存压缩包文件到task运行节点的工作目录 /* job.addCacheFile(uri) */// 缓存普通文件到task运行节点的工作目录 // 将产品表文件缓存到Maptask工作节点的工作目录中去(Map运行时将会得到改文件) job.addCacheFile(new URI("file:/F:/pduct/pdts.txt")); //map端join的逻辑不需要reduce阶段，设置reducetask数量为0 job.setNumReduceTasks(0); boolean res = job.waitForCompletion(true); System.exit(res ? 0 : 1); } }
产品数据文件：pdts.txt
P0001,sss,1001,2 P0002,111,1000,3 P0003,www,1002,4
订单数据文件：order.txt
1001,20150710,P0001,2 1002,20150710,P0001,3 1002,20150710,P0002,3 1003,20150710,P0003,3
运行结果文件：part-m-00000
1001,20150710,P0001,2,sss 1002,20150710,P0001,3,sss 1002,20150710,P0002,3,111 1003,20150710,P0003,3,www
