Hadoop之Join、计数器、数据清洗概述

拼搏现实的明天。 2022-01-20 07:17 188阅读 0赞

# Hadoop之Join、计数器、数据清洗概述 #

--------------------

## 目录 ##

1.  Reduce join
2.  Map join
3.  计数器应用
4.  数据清洗（ETL）

--------------------

### 1. Reduce join ###

1.  原理
    
    1.  Map端的主要工作：为来自不同表(文件)的key/value对打标签以区别不同来源的记录。然后用连接字段作为key，其余部分和新加的标志作为value，最后进行输出。
    2.  Reduce端的主要工作：在reduce端以连接字段作为key的分组已经完成，我们只需要在每一个分组当中将那些来源于不同文件的记录(在map阶段已经打标志)分开，最后进行合并就ok了。
2.  该方法的缺点  
    这种方式的缺点很明显就是会造成map和reduce端也就是shuffle阶段出现大量的数据传输，效率很低。

--------------------

### 2. Map join ###

1.  使用场景  
    一张表十分小、一张表很大。
2.  解决方案  
    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。
3.  具体办法：采用distributedcache
    
    1.  在mapper的setup阶段，将文件读取到缓存集合中。
    2.  在驱动函数中加载缓存。  
        job.addCacheFile(new URI(“file:/e:/mapjoincache/pd.txt”));// 缓存普通文件到task运行节点，如图下图所示  
        ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTkxMDY5NA_size_16_color_FFFFFF_t_70]

--------------------

### 3. 计数器应用 ###

Hadoop为每个作业维护若干内置计数器，以描述多项指标。例如，某些计数器记录已处理的字节数和记录数，使用户可监控已处理的输入数据量和已产生的输出数据量。

1.  API
    
    1.  采用枚举的方式统计计数  
        enum MyCounter\{MALFORORMED,NORMAL\}  
        //对枚举定义的自定义计数器加1  
        context.getCounter(MyCounter.MALFORORMED).increment(1);
    2.  采用计数器组、计数器名称的方式统计  
        context.getCounter(“counterGroup”, “countera”).increment(1);  
        组名和计数器名称随便起，但最好有意义。
    3.  计数结果在程序运行后的控制台上查看。

--------------------

### 4. 数据清洗（ETL） ###

概述  
在运行核心业务Mapreduce程序之前，往往要先对数据进行清洗，清理掉不符合用户要求的数据。清理的过程往往只需要运行mapper程序，不需要运行reduce程序。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTkxMDY5NA_size_16_color_FFFFFF_t_70]: /images/20220120/269ca805219340389a7832ab667d0f40.png