hadoop--Map Join
目录
- Map Join
- 使用场景
- 优点
- 具体办法:采用 DistributedCache
- Map Join 案例
- 需求
- 需求分析
- 源码
Map Join
使用场景
Map Join 适用于一张表十分小、一张表很大的场景。
优点
思考:在 Reduce 端处理过多的表,非常容易产生数据倾斜。怎么办?
在 Map 端缓存多张表,提前处理业务逻辑,这样增加 Map 端业务,减少 Reduce 端数
据的压力,尽可能的减少数据倾斜。
具体办法:采用 DistributedCache
- 在 Mapper 的 setup 阶段,将文件读取到缓存集合中;
- 在 Driver 驱动类中加载缓存。
缓存普通文件到 Task 运行节点:
job.addCacheFile(new URI("file:///e:/cache/pd.txt"));
如果是集群运行,需要设置 HDFS 路径:
job.addCacheFile(new URI("hdfs://hadoop102:8020/cache/pd.txt"));
Map Join 案例
需求
:同Reduce Join案例;
需求分析
MapJoin 适用于关联表中有小表的情形。
Map端表合并案例分析(Distributedcache)
源码
MapJoinMapper类
package com.xiaobai.mapreduce.mapjoin;import org.apache.commons.lang3.StringUtils;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.URI;
import java.util.HashMap;public class MapJoinMapper extends Mapper<LongWritable, Text,Text, NullWritable> {private HashMap<String, String> pdMap = new HashMap<>();private Text outK = new Text();@Overrideprotected void setup(Context context) throws IOException, InterruptedException {//获取缓存的文件,并把文件内容封装到集合 pd.txtURI[] cacheFiles = context.getCacheFiles();FileSystem fs = FileSystem.get(context.getConfiguration());FSDataInputStream fis = fs.open(new Path(cacheFiles[0]));//从流中读取数据BufferedReader reader = new BufferedReader(new InputStreamReader(fis, "UTF-8"));String line;while(StringUtils.isNotEmpty(line = reader.readLine())){//切割String[] fields = line.split("\t");//赋值pdMap.put(fields[0],fields[1]);}//关流IOUtils.closeStream(reader);}@Overrideprotected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {//处理order.txtString line = value.toString();String[] fields = line.split("\t");//获取pidString pname = pdMap.get(fields[1]);//获取订单id和订单数量//封装outK.set(fields[0] + "\t" + pname + "\t" + fields[2]);context.write(outK,NullWritable.get());}
}
MapJoinDriver类
package com.xiaobai.mapreduce.mapjoin;import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;import java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;public class MapJoinDriver {public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException, URISyntaxException {//1. 获取job信息Configuration conf = new Configuration();Job job = Job.getInstance(conf);//2. 设置加载jar包路径job.setJarByClass(MapJoinDriver.class);//3. 关联mapperjob.setMapperClass(MapJoinMapper.class);//4.设置Map输出kv类型job.setMapOutputKeyClass(Text.class);job.setMapOutputValueClass(NullWritable.class);//5.设置最终输出kv类型job.setOutputKeyClass(Text.class);job.setOutputValueClass(NullWritable.class);//加载缓存数据job.addCacheFile(new URI("/Users/jane/Desktop/test/JoinTest/pd.txt"));//Map端join的逻辑不需要reduce阶段,设置reduceTask数量为0job.setNumReduceTasks(0);//6. 设置输入输出路径FileInputFormat.setInputPaths(job,new Path("/Users/jane/Desktop/test/JoinTest"));FileOutputFormat.setOutputPath(job,new Path("/Users/jane/Desktop/hadoop/MapJoinTestOutput"));//7. 提交boolean b = job.waitForCompletion(true);System.exit(b ? 0 : 1);}
}
hadoop--Map Join相关推荐
- Map Join介绍及案例
Map Join介绍及案例 Map Join介绍 1. 使用场景 2. 优点 3. 实现方法 Map Join案例 1. 需求 (1)需求说明 (2)文件 2.案例分析 (1)需求分析 (2)输入数据 ...
- Hadoop之Join、计数器、数据清洗概述
Hadoop之Join.计数器.数据清洗概述 目录 Reduce join Map join 计数器应用 数据清洗(ETL) 1. Reduce join 原理 Map端的主要工作:为来自不同表(文件 ...
- MapReduce之Map join操作
MapReduce之Map join操作(分布式缓存) 文章目录 MapReduce之Map join操作(分布式缓存) 案例结合 利用MapReduce中的setup方法与DistributedCa ...
- MR实现reduce join和map join及hive的执行计划
一.涵盖 MapReduce InputFormat RecordReader 切片:block=input split 1.1 File- Text- NLine- DB- Mapper setup ...
- 关于hive中Map join 时大表left join小表的问题
在hive中,(启用Map join时) 大表left join小表,加载从右向左,所以小表会加载进内存,存储成map键值对,通过大表驱动小表,来进行join,即大表中的join字段作为key 来获取 ...
- Hadoop Map/Reduce教程
Hadoop Map/Reduce教程 目的 先决条件 概述 输入与输出 例子:WordCount v1.0 源代码 用法 ...
- 一步一步跟我学习hadoop(5)----hadoop Map/Reduce教程(2)
Map/Reduce用户界面 本节为用户採用框架要面对的各个环节提供了具体的描写叙述,旨在与帮助用户对实现.配置和调优进行具体的设置.然而,开发时候还是要相应着API进行相关操作. 首先我们须要了解M ...
- Hive的Map Join与Common Join
笼统的说,Hive中的Join可分为Common Join(Reduce阶段完成join)和Map Join(Map阶段完成join). 一.Hive Common Join 如果不指定MapJoin ...
- eclipse的plugins导入hadoop-eclipse-plugin-2.6.0.jar后Preference下没有hadoop Map/Reduce的解决方法
参考文章:eclipse下的plugins导入hadoop-eclipse-plugin-2.7.1.jar,Preference下没有hadoop Map/Reduce的解决方法 这种现象一般是由于 ...
- Hive中的map join、left semi join和sort merge bucket join
map join map join是将join双方比较小的表直接分发到各个 map进程的内存中,在map进程中进行join操作,这样就不用进行reduce步骤,从而提高了速度. 如果不指定mapjoi ...
最新文章
- Python编写Hive UDF
- linux sw状态,linux 下查看性能状态命令
- Makefile选项CFLAGS LDFLAGS LIBS
- finalize方法作用
- python面试题之用列表解析式选出1-100中的奇数
- java中fackeditor_ckeditor高级定制之发文模板
- windows服务器远程端口,查看和修改Windows服务器远程桌面的默认端口
- [rtsp]海康IPC监控摄像头远程外网监控配置(DDNS)
- 国土档案管理信息系统【辅助说明】
- VC安装产生eula.1028.txt等文件的问题
- INI文件解析、遍历
- windows和android双系统平板,平板电脑双系统和安卓单系统,哪个好用?
- 能ping通百度,但是上不了网的解决方法
- 火狐浏览器This address is restricted.端口问题
- 好用的fuzz字典以及fuzz字典生成工具
- python中的坐标表示方法_Python使用Matplotlib模块时坐标轴标题中文及各种特殊符号显示方法...
- oracle中业务组添加,oracle 11g增加业务profile
- 汽车java歌曲_车载音乐推荐 50首适合开车听的歌曲 2019车载歌曲 开车必备100首...
- 目标检测算法——YOLOV7——网络结构
- 天津推出社保金融IC卡
热门文章
- (数据库系统概论|王珊)第十章数据库恢复技术-第四、五、六、七节:数据库恢复技术和数据库镜像
- C++设计模式-Flyweight享元模式
- Python paho-mqtt消息队列
- 转载-----Java Longest Palindromic Substring(最长回文字符串)
- R6饮料AK赛(NOIP模拟赛)/省选专练HDU 5713 K个联通块
- Scrum 冲刺博客集合
- SQL server插入数据后,获取自增长字段的值
- PHP调用WebService接口
- Nhibernate3.3.3 GA使用初探
- FreeRTOS列表