MapReduce Join
对两份数据data1和data2进行关键词连接是一个很通用的问题。
如果数据量比较小，完全可以在内存中完成连接；如果数据量比较大，在内存进行连接操会发生内存溢出（OOM）。那么此时就可以用 MapReduce Join 来解决大数据的连接问题。
1. Reduce Join
map 端的主要工作：为来自不同表(文件)的key/value 打标记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记作为 value，然后进行输出。
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 阶段已经打标记)分开，最后进行合并就 ok 了。
通俗的说，就是在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2组，做集合的乘积。。
但是，此方法有缺点：
1、map 阶段没有对数据瘦身，shuffle的网络传输和排序性能很低。
2、reduce 端对2个集合做乘积计算，很耗内存，容易导致OOM。
2. Map Join
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的输入文件，对map()方法的每一对输入，都能够方便地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。
此方法的特点：
1、要使用hadoop中的DistributedCache（分布式缓存）把小数据分布到各个计算节点，每个map节点都要把小数据库加载到内存，按关键字建立索引。
2、有明显的局限性：数据中有一份数据比较小，在map端，能够把它加载到内存，并进行join操作。
编程案例请参考下一篇