对
项目对进行一些评估是常见的任务：示例：重复数据消除、协同筛选、类似项目等这基本上是具有相同数据源的自联接或跨产品。
要执行自连接，您可以遵循"减少侧连接"模式。映射器发出连接/外键作为键，记录作为值。
因此，假设我们想对以下数据的"city"（中间列）进行自连接：
don,baltimore,12
jerry,boston,19
bob,baltimore,99
cameron,baltimore,13
james,seattle,1
peter,seattle,2
映射器将发出键值>对：
(baltimore -> don,12)
(boston -> jerry,19)
(baltimore -> bob,99)
(baltimore -> cameron,13)
(seattle -> james,1)
(seattle -> peter,2)
在化简器中，我们将得到这个：
(baltimore -> [(don,12), (bob,99), (cameron,13)])
(boston -> [(jerry,19)])
(seattle -> [(james,1), (peter,2)])
从这里，您可以根据需要执行内部连接逻辑。为此，您只需将每个项目与其他项目匹配即可。为此，请将其数据加载到数组列表中，然后在这些项目上执行 N x N 循环以相互比较。
意识到化简侧联接的成本很高。如果您不过滤掉任何内容，它们会将几乎所有数据发送到化简器。另外，要小心将数据加载到化简器中的内存中 - 您可以通过加载数组列表中的所有数据来在热连接键上炸毁堆。
以上与典型的化简侧连接略有不同。连接两个数据集时的想法是相同的：外键是键，记录是值。唯一的区别是这些值可能来自两个或多个数据集。您可以使用MultipleInputs让不同的映射器解析不同的输入集，然后让化简器从两者收集数据。
在没有任何约束的情况下，交叉产品是一场噩梦。 即，
select * from tablea, tableb;
有许多方法可以做到这一点。它们都不是特别有效。如果您想要这种类型的行为，请给我留言，我会花更多时间解释执行此操作的方法。
如果你能找出某种连接键，这是相似性的基本键，你会好得多。
插入我的书：MapReduce Design Patterns。它应该在几个月内发布，但如果你真的感兴趣，我可以通过电子邮件将有关加入的章节发送给您。
通常使用化简器来执行连接上所需的任何逻辑。 诀窍是将数据集映射两次，可能会在值中添加一些标记，指示它是哪个运行。 那么自加入与任何其他类型的加入没有什么不同。