Map端join算法实现，解决Reduce端数据倾斜，负载不均（分布式缓存）

拼搏现实的明天。 2022-06-07 06:12 194阅读 0赞

1.需求：

订单数据表t\_order：

关系数据库表-

<table style="color:rgb(85,85,85); font-family:&quot;microsoft yahei&quot;; font-size:15px"> 
 <tbody> 
 <tr> 
 <td> id </td> 
 <td> date </td> 
 <td> pid </td> 
 <td> amount </td> 
 </tr> 
 <tr> 
 <td> 1001 </td> 
 <td> 20150710 </td> 
 <td> P0001 </td> 
 <td> 2 </td> 
 </tr> 
 <tr> 
 <td> 1002 </td> 
 <td> 20150710 </td> 
 <td> P0001 </td> 
 <td> 3 </td> 
 </tr> 
 <tr> 
 <td> 1002 </td> 
 <td> 20150710 </td> 
 <td> P0002 </td> 
 <td> 3 </td> 
 </tr> 
 </tbody> 
</table>

抽象成文件数据：

1001,20150710,P0001,2  
1002,20150710,P0001,3  
1003,20150710,P0002,3  
1002,20150710,P0003,3  
1002,20150710,P0002,4

。。。。。。  
商品信息表t\_product：

<table style="color:rgb(85,85,85); font-family:&quot;microsoft yahei&quot;; font-size:15px"> 
 <tbody> 
 <tr> 
 <td> id </td> 
 <td> pname </td> 
 <td> </td> 
 <td> </td> 
 </tr> 
 <tr> 
 <td> P0001 </td> 
 <td> 小米5 </td> 
 <td> </td> 
 <td> </td> 
 </tr> 
 <tr> 
 <td> P0002 </td> 
 <td> 魅族 </td> 
 <td> </td> 
 <td> </td> 
 </tr> 
 </tbody> 
</table>

抽象成文件数据：  
p0001,小米  
p0002,魅族  
p0003,oppo

。。。。。。

现在要把2个文件通过pID进行关联，如果按照上一遍文章，在Reduce中做关联那么问题来了，如果小米手机的订单量远远大于魅族手机的订单量，这样就会产生处理小米手机的ReduceTask任务量很大，执行时间久，而处理魅族的ReduceTask任务轻很快就执行完了，出现了负载不均衡，数据倾斜。

2.实现

鉴于是小数据量的表和大数据量的表进行join,可以用分布式缓存把小表缓存到map节点，在map阶段直接使用，与大表进行join,不在reduce阶段进行join,避免数据倾斜,提高并发量和效率。

通过main函数先把缓存文件加载到节点（底层自动分发到map节点--分布式缓存）：

job.addCacheFile(“文件路径”);

代码：

package join;
 
 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;
 
 public class MapJoin {
 
 	static class JoinMapper extends Mapper<LongWritable,Text,Text,Text>{
 		Map<String,String> pmap=new HashMap<String,String>();//装产品数据
 		Text k=new Text();
 		/*重写setup方法，看Mapper源码里面有个线程的run方法，
 		 方法执行顺序是setup()-->map(),所以会先加载setup方法
 		 */
 		@Override
 		protected void setup(Context context)throws IOException, InterruptedException {
 			//读取本地缓存中文件的数据
 			BufferedReader br = new BufferedReader(new InputStreamReader(new FileInputStream("product")));
 			String line;
 			//如果读取的一行数据不为空，则把产品数据切分，存储在pmap中
 			while(StringUtils.isNotEmpty(line=br.readLine())){
 				String[] fields = line.split(",");
 				pmap.put(fields[0], fields[1]);//K为商品id，v为商品名
 			}
 			br.close();
 		}
 		//由于已经持有完整的产品信息表，所以直接在map中实现join操作，不需要reduce操作，就不会有数据倾斜
 		@Override
 		protected void map(LongWritable key, Text value,Context context)throws IOException, InterruptedException {
 		 String oline = value.toString();//获取订单信息
 		 String[] fields = oline.split(",");
 		 String pName = pmap.get(fields[2]);//根据pid获取pName
 		 k.set(oline+","+pName);//数据拼接
 		 context.write(k, new Text(""));//输出
 		}
 	}
 	public static void main(String[] args) throws Exception {
 		Configuration conf = new Configuration();
 		Job job = Job.getInstance(conf);
 		
 		job.setJarByClass(MapJoin.class);
 		job.setMapperClass(JoinMapper.class);
 		job.setMapOutputKeyClass(Text.class);
 		job.setOutputValueClass(NullWritable.class);
 		
 		FileInputFormat.setInputPaths(job, new Path(args[0]));//订单文件地址
 		FileOutputFormat.setOutputPath(job, new Path(args[1]));//join后的文件数据地址
 		//指定需要缓存文件到所有mapTask运行节点工作目录
 		job.addCacheFile(new URI(args[2]));//args[2]缓存文件路径可以写死（product）
 		//由于Map就把事情搞定了，所以不需要reduce阶段，reduceTask为0
 		job.setNumReduceTasks(0);
 		boolean res = job.waitForCompletion(true);
 		System.exit(res?0:1);
 	}
 }

结果：

1001,20150710,P0001,2,小米

。。。。。。