MapJoin和ReduceJoin区别及优化

Myth丶恋晨 2022-06-05 05:08 147阅读 0赞

### MapJoin和ReduceJoin区别及优化 ###

#### 1 Map-side Join（Broadcast join） ####

思想：

> 小表复制到各个节点上，并加载到内存中；大表分片，与小表完成连接操作。

两份数据中，如果有一份数据比较小，小数据全部加载到内存，按关键字建立索引。大数据文件作为map的输入，对map()函数每一对输入，都能够方便的和已加载到内存的小数据进行连接。把连接结果按key输出，经过shuffle阶段，reduce端得到的就是已经按key分组的，并且连接好了的数据。

这种方法，要使用Hadoop中的DistributedCache把小数据分布到各个计算节点，每个map节点都要把小数据加载到内存，按关键字建立索引。

*  Join操作在map task中完成，因此无需启动reduce task
 *  适合一个大表，一个小表的连接操作

![这里写图片描述][SouthEast]

*  这种方法有明显的局限性：  
    
    
     *  有一份数据比较小，在map端，能够把它加载在内存，并进行join操作。

#### 2 Reduce-side Join（shuffle join） ####

思想：

> map端按照连接字段进行hash，reduce端完成连接操作

在map阶段，把关键字作为key输出，并在value中标记出数据是来自data1还是data2。因为在shuffle阶段已经自然按key分组，reduce阶段，判断每一个value是来自data1还是data2，在内部分成两组，做集合的成绩。

*  Join操作在reduce task中完成
 *  适合两个大表的连接操作

![这里写图片描述][SouthEast 1]

*  这种方法有2个问题：  
    
    
     *  map阶段没有对数据瘦身，shuffle的网络传输和排序性能很低。
     *  reduce端对2个集合做乘积计算，很耗内存，容易导致OOM。

#### 3 优化方案 ####

*  使用内存服务器，扩大节点的内存空间  
    针对map join，可以报一份数据放到专门的内存服务器，在map()方法中，对每一个的输入对，根据key到内存服务器中取出数据，进行连接。
 *  使用BloomFilter过滤空连接的数据  
    对其中一份数据在内存中建立BloomFilter，另外一份数据在连接之前，用BloomFilter判断它的key是否存在，如果不存在，那这个记录是空连接，可以忽略。
 *  使用map reduce专为join设计的包  
    在map reduce包看到有专门为join设计的包，对这些包还没有学习，不知道怎么使用，只是在这里记录下来，做个提醒。

jar: mapreduce-client-core.jar
    
    package: org.apache.hadoop.mapreduce.lib.join

#### Reference Link ####

\[1\] [hive mapjoin使用和个人理解][hive mapjoin]  
\[2\] [hive优化(1)之mapjoin][hive_1_mapjoin]  
\[3\] [董西成，Apache Spark探秘：实现Map-side Join和Reduce-side Join][Apache Spark_Map-side Join_Reduce-side Join]

[SouthEast]: /images/20220605/44640bf93a1e46c49aa085340b60e8ec.png
[SouthEast 1]: /images/20220605/d8ee84f7540c46a69f0d2900ba1845f3.png
[hive mapjoin]: http://blog.csdn.net/liuj2511981/article/details/8616730
[hive_1_mapjoin]: http://blog.csdn.net/lpxuan151009/article/details/7956544
[Apache Spark_Map-side Join_Reduce-side Join]: http://dongxicheng.org/framework-on-yarn/apache-spark-join-two-tables/