java - mapreduce 中 Join 操作的输出

Question

我正在 map reduce 中执行连接操作。我正在输入两个文件，其值由分隔符(逗号)分隔。通过对一个公共(public)实体执行连接操作，我可以从两个输入文件中获取一个文件中的输出。

这是 map 减少代码:

public class EmpMapReduce {
public static class TokenizerMapper extends Mapper<LongWritable, Text, Text, Text>     
        {
        public void map(LongWritable key, Text value, Context context)
            throws IOException, InterruptedException
                {
        String tokens [] = value.toString().split(",");
        String empid = tokens[0];
        String val = "";
        if(tokens.length != 0)
         {
            for (int cnt = 1; cnt < tokens.length; cnt++)
               {    
               val = val + tokens[cnt] + "\t";
            }
        }

        context.write(new Text(empid), new Text(val));

    }
   }

  public static class MyReducer extends Reducer<Text, Text, Text, Text>
         {
    public void reduce(Text key, Iterable<Text> values,
            Context context) throws IOException, InterruptedException
               {
            String str = "";
        for (Text val : values) 
                     {
            str = str + val.toString() + "\t";
         }

         context.write(key, new Text (str));

     }
  }

  public static void main(String[] args) throws Exception 
        {
    Configuration conf = new Configuration();
    String[] otherArgs = new GenericOptionsParser(conf, args)
            .getRemainingArgs();
    if (otherArgs.length != 3) {
        System.err.println("Usage: EmpMapReduce <in1> <in2> <out>");
        System.exit(2);
    }
    Job job = new Job(conf, "EmpMapReduce");



    job.setJarByClass(EmpMapReduce.class);

    job.setMapperClass(TokenizerMapper.class);
    job.setReducerClass(MyReducer.class);

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

    job.setInputFormatClass(TextInputFormat.class);

    job.setOutputKeyClass(Text.class);
    job.setOutputValueClass(Text.class);

    FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
    FileInputFormat.addInputPath(job, new Path(otherArgs[1]));
    FileOutputFormat.setOutputPath(job, new Path(otherArgs[2]));

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

这是我使用的两个输入文件内容:

100,name100,10
101,name101,11
102,name102,12
103,name103,13
104,name104,14
105,name105,15
106,name106,16
107,name107,17

第二个输入文件:

100,100000
101,200000
102,300000
103,400000
104,500000
105,600000
106,700000
107,800000

我得到以下输出:

100,name100,10,100000
101,200000,name101,11
102,name102,12,300000
103,400000,name103,13
104,name104,14,500000
105,600000,name105,15
106,name106,16,700000
107,800000,name107,17

现在我担心的是为什么我会得到这样的输出:

100,name100,10,100000
101,200000,name101,11

即第一行数据首先从一个输入文件复制，而不是从另一个输入文件复制。但对于第二排，反之亦然。我无法弄清楚如何使每一行中的数据顺序相同。

另一个问题是:

一旦我以特定顺序在所有行中获得数据，我就可以执行各种操作，例如:替换 name100 ---> somenewname 或在每行末尾添加新的逗号分隔值，该值具有该行中所有值的总和。

Answer 1

两个映射器的输出到达 reducer 的顺序是未指定的。所以你需要一些方法来在reducer中识别它们。

一个简单的解决方案是:

有两个映射器，每个输入一个

每个映射器输出“[type]:[rest of value]”的值

假设您有两种类型(用户、交易)，现在每种类型都已识别。

现在在你的 reducer 中(抱歉伪代码):

void reduce(..) {
  String user = "";
  String trans = "";

  for(value: values) {
    (type, payload) = value.split();
    if (type == "user") user = payload;
    if (type == "transaction") transaction = payload;
  }

  context.write(user + "\t" + transaction);
}