Hadoop3教程（十七）：MapReduce之ReduceJoin案例分析-CSDN博客

113ReduceJoin案例需求分析

现在有两个文件

• orders.txt存放的是订单ID、产品ID、产品数量
• pd.txt这是一个产品码表存放的是产品ID、产品中文名

现在是想通过join来实现这么一个预期输出即订单ID、产品中文名、产品数量。

以上是本次案例需求。

简单思考一下思路。我们需要将关联条件作为Map输出的key将两表满足Join条件的数据以及数据所来源的文件信息发往同一个ReduceTask在Reduce中进行数据的串联。

具体该怎么做呢

Map中在处理的时候需要获取输入的文件内容和文件名这个是可以在切片的时候获取的然后不同文件分别做不同处理处理完成后封装bean对象输出。

注意Map在输出的时候需要以产品ID作为key只有这样做才能将相同产品ID的orders.txt记录和pd.txt记录放在同一个reduceTask里进而实现最终的替换。value的话选择订单ID、订单数量、文件名。这里传入文件名的原因是Reduce阶段需要根据不同文件名实现不同处理所以一定得需要传一个文件名进来。

另外提一句封装bean对象的时候需要把两个文件里的所有字段合起来作为一个bean对象这样子orders文件的数据可以用这个bean对象pd.txt里的数据也可以用这个bean对象。相当于做一个大宽表。

reduce阶段就很简单了相同产品ID的orders.txt记录和pd.txt记录被放在同一个reduceTask里可以把来自orders的bean放在一个集合里来自pd的bean放在一个集合里然后遍历set覆盖就可以。

114ReduceJoin案例代码实操 - TableBean

首先需要定义一个Bean对象用来序列化两个输入文件的数据我们命名为TableBean。

package com.atguigu.mapreduce.reducejoin;

import org.apache.hadoop.io.Writable;

import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;

public class TableBean implements Writable {

    private String id; //订单id
    private String pid; //产品id
    private int amount; //产品数量
    private String pname; //产品名称
    private String flag; //判断是order表还是pd表的标志字段

    public TableBean() {
    }

    public String getId() {
        return id;
    }

    public void setId(String id) {
        this.id = id;
    }

    public String getPid() {
        return pid;
    }

    public void setPid(String pid) {
        this.pid = pid;
    }

    public int getAmount() {
        return amount;
    }

    public void setAmount(int amount) {
        this.amount = amount;
    }

    public String getPname() {
        return pname;
    }

    public void setPname(String pname) {
        this.pname = pname;
    }

    public String getFlag() {
        return flag;
    }

    public void setFlag(String flag) {
        this.flag = flag;
    }

    @Override
    public String toString() {
        return id + "\t" + pname + "\t" + amount;
    }

    // 序列化方法
    @Override
    public void write(DataOutput out) throws IOException {
        out.writeUTF(id);
        out.writeUTF(pid);
        out.writeInt(amount);
        out.writeUTF(pname);
        out.writeUTF(flag);
    }

    // 反序列化方法
    // 注意序列化的顺序必须要跟反序列化的顺序一致
    @Override
    public void readFields(DataInput in) throws IOException {
        this.id = in.readUTF();
        this.pid = in.readUTF();
        this.amount = in.readInt();
        this.pname = in.readUTF();
        this.flag = in.readUTF();
    }
}

注意序列化的顺序必须要跟反序列化的顺序一致。

115ReduceJoin案例代码实操 - TableMapper

TableMapper的主要作用就是将输入的数据划分成指定的KV对以供Reduce阶段使用。

命名为TableMapper获取文件名称的代码也包含在这里。

package com.atguigu.mapreduce.reducejoin;

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.InputSplit;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileSplit;

import java.io.IOException;

public class TableMapper extends Mapper<LongWritable,Text,Text,TableBean> {

    private String filename;
    private Text outK = new Text();
    private TableBean outV = new TableBean();

    @Override
    protected void setup(Context context) throws IOException, InterruptedException {
        //获取对应文件名称
        InputSplit split = context.getInputSplit();
        FileSplit fileSplit = (FileSplit) split;
        filename = fileSplit.getPath().getName();
    }

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

        //获取一行
        String line = value.toString();

        //判断是哪个文件,然后针对文件进行不同的操作
        if(filename.contains("order")){  //订单表的处理
            String[] split = line.split("\t");
            //封装outK
            outK.set(split[1]);
            //封装outV
            outV.setId(split[0]);
            outV.setPid(split[1]);
            outV.setAmount(Integer.parseInt(split[2]));
            outV.setPname("");
            outV.setFlag("order");
        }else {                             //商品表的处理
            String[] split = line.split("\t");
            //封装outK
            outK.set(split[0]);
            //封装outV
            outV.setId("");
            outV.setPid(split[0]);
            outV.setAmount(0);
            outV.setPname(split[1]);
            outV.setFlag("pd");
        }

        //写出KV
        context.write(outK,outV);
    }
}

116ReduceJoin案例代码实操 - Reducer及Driver

主要是编写Reduce部分。Mapper之后一组相同的key的数据会进入一个ReduceTask接下来需要编写自定义逻辑让Reduce可以实现关联后输出。

需要创建两个集合每个集合接收不同文件一个接收order文件数据另一个接收码表数据。然后循环遍历order集合把码表集合里的值set进去。

新建TableReducer

package com.atguigu.mapreduce.reducejoin;

import org.apache.commons.beanutils.BeanUtils;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;
import java.lang.reflect.InvocationTargetException;
import java.util.ArrayList;

public class TableReducer extends Reducer<Text,TableBean,TableBean, NullWritable> {

    @Override
    protected void reduce(Text key, Iterable<TableBean> values, Context context) throws IOException, InterruptedException {

        ArrayList<TableBean> orderBeans = new ArrayList<>();
        TableBean pdBean = new TableBean();

        for (TableBean value : values) {

            //判断数据来自哪个表
            if("order".equals(value.getFlag())){   //订单表

			  //创建一个临时TableBean对象接收value
                TableBean tmpOrderBean = new TableBean();

                try {
                    BeanUtils.copyProperties(tmpOrderBean,value);
                } catch (IllegalAccessException e) {
                    e.printStackTrace();
                } catch (InvocationTargetException e) {
                    e.printStackTrace();
                }

			  //将临时TableBean对象添加到集合orderBeans
                orderBeans.add(tmpOrderBean);
            }else {                                    //商品表
                try {
                    BeanUtils.copyProperties(pdBean,value);
                } catch (IllegalAccessException e) {
                    e.printStackTrace();
                } catch (InvocationTargetException e) {
                    e.printStackTrace();
                }
            }
        }

        //遍历集合orderBeans,替换掉每个orderBean的pid为pname,然后写出
        for (TableBean orderBean : orderBeans) {

            orderBean.setPname(pdBean.getPname());

		   //写出修改后的orderBean对象
            context.write(orderBean,NullWritable.get());
        }
    }
}

根据教程上说的这里只有一个地方需要注意但是用处也不是很大就是 集合在add value的时候不能直接add 传进来的value而是需要重新new一个TableBean将value值赋值给这个新的TableBean最后add这个新的TableBean。

这么做的原因是传进来的values其实是一个Iterable<TableBean> 不是传统意义上的迭代器可以简单理解成Iterable<TableBean> 里的每个value用的是同一个内存地址每次读取出value就总是赋给那个内存地址所以不能直接add value否则add 一百次也只会记住最后一次add的那个value。

这似乎是Hadoop为了避免因创建过多实例引起资源浪费而做的优化。

没有测过做简单了解吧。

最后在驱动类里注册

package com.atguigu.mapreduce.reducejoin;

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;

public class TableDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        Job job = Job.getInstance(new Configuration());

        job.setJarByClass(TableDriver.class);
        job.setMapperClass(TableMapper.class);
        job.setReducerClass(TableReducer.class);

        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(TableBean.class);

        job.setOutputKeyClass(TableBean.class);
        job.setOutputValueClass(NullWritable.class);

        FileInputFormat.setInputPaths(job, new Path("D:\\input"));
        FileOutputFormat.setOutputPath(job, new Path("D:\\output"));

        boolean b = job.waitForCompletion(true);
        System.exit(b ? 0 : 1);
    }
}

大功告成

参考文献

1. 【尚硅谷大数据Hadoop教程hadoop3.x搭建到集群调优百万播放】