MapReduce 中的两表 join 实例

标签：hadoop 链接 多表链接 连接

1. 概述

在传统数据库（如：MYSQL）中，JOIN操作是非常常见且非常耗时的。而在HADOOP中进行JOIN操作，同样常见且耗时，由于Hadoop的独特设计思想，当进行JOIN操作时，有一些特殊的技巧。

2. 常见的join方法介绍

假设要进行join的数据分别来自File1和File2.

reduce side join是一种最简单的join方式，其主要思想如下：

在map阶段，map函数同时读取两个文件File1和File2，为了区分两种来源的key/value数据对，对每条数据打一个标签（tag）,比如：tag=0表示来自文件File1，tag=2表示来自文件File2。即：map阶段的主要任务是对不同文件中的数据打标签。

在reduce阶段，reduce函数获取key相同的来自File1和File2文件的value list， 然后对于同一个key，对File1和File2中的数据进行join（笛卡尔乘积）。即：reduce阶段进行实际的连接操作。

REF：hadoop join之reduce side join

2.2 map side join

之所以存在reduce side join，是因为在map阶段不能获取所有需要的join字段，即：同一个key对应的字段可能位于不同map中。Reduce side join是非常低效的，因为shuffle阶段要进行大量的数据传输。

Map side join是针对以下场景进行的优化：两个待连接表中，有一个表非常大，而另一个表非常小，以至于小表可以直接存放到内存中。这样，我们可以将小表复制多份，让每个map task内存中存在一份（比如存放到hash table中），然后只扫描大表：对于大表中的每一条记录key/value，在hash table中查找是否有相同的key的记录，如果有，则连接后输出即可。

为了支持文件的复制，Hadoop提供了一个类DistributedCache，使用该类的方法如下：

（1）用户使用静态方法DistributedCache.addCacheFile()指定要复制的文件，它的参数是文件的URI（如果是HDFS上的文件，可以这样：hdfs://namenode:9000/home/XXX/file，其中9000是自己配置的NameNode端口号）。JobTracker在作业启动之前会获取这个URI列表，并将相应的文件拷贝到各个TaskTracker的本地磁盘上。（2）用户使用DistributedCache.getLocalCacheFiles()方法获取文件目录，并使用标准的文件读写API读取相应的文件。

REF：hadoop join之map side join

2.3 Semi Join

Semi Join，也叫半连接，是从分布式数据库中借鉴过来的方法。它的产生动机是：对于reduce side join，跨机器的数据传输量非常大，这成了join操作的一个瓶颈，如果能够在map端过滤掉不会参加join操作的数据，则可以大大节省网络IO。

实现方法很简单：选取一个小表，假设是File1，将其参与join的key抽取出来，保存到文件File3中，File3文件一般很小，可以放到内存中。在map阶段，使用DistributedCache将File3复制到各个TaskTracker上，然后将File2中不在File3中的key对应的记录过滤掉，剩下的reduce阶段的工作与reduce side join相同

2.4 reduce side join + BloomFilter

在某些情况下，SemiJoin抽取出来的小表的key集合在内存中仍然存放不下，这时候可以使用BloomFiler以节省空间。

BloomFilter最常见的作用是：判断某个元素是否在一个集合里面。它最重要的两个方法是：add() 和contains()。最大的特点是不会存在 false negative，即：如果contains()返回false，则该元素一定不在集合中，但会存在一定的 false positive，即：如果contains()返回true，则该元素一定可能在集合中。

因而可将小表中的key保存到BloomFilter中，在map阶段过滤大表，可能有一些不在小表中的记录没有过滤掉（但是在小表中的记录一定不会过滤掉），这没关系，只不过增加了少量的网络IO而已。

实例：

address.txt

1      Beijing
2      Guangzhou
3      Shenzhen
4      Xian

factory.txt

AAAAA                    1
BBBBB                    3
CCCCC                    2
DDDDD                    1
FFFFFFF                  2
EEEEEEE                  3
GGGGGGG                  1

package com.baidu.util;

import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;

import org.apache.hadoop.io.WritableComparable;

public  class TextPair implements WritableComparable<TextPair>{

	public String getValue() {
		return value;
	}

	public void setValue(String value) {
		this.value = value;
	}

	@Override
	public String toString() {
		return " " + key +" "+ value; 
	}

	public String getFlag() {
		return flag;
	}

	public void setFlag(String flag) {
		this.flag = flag;
	}

	public String getKey() {
		return key;
	}

	public void setKey(String key) {
		this.key = key;
	}

	public String getContent() {
		return content;
	}

	public void setContent(String content) {
		this.content = content;
	}

	private String flag = "";
	private String key ="";
	private String value ="";
	private String content = "";
	
	

	public TextPair(String flag, String key, String value, String content) {
		this.flag = flag;
		this.key = key;
		this.value = value;
		this.content = content;
	}

	public TextPair() {
	}



	@Override
	public int compareTo(TextPair o) {
		// TODO Auto-generated method stub
		return 0;
	}

	@Override
	public void readFields(DataInput in) throws IOException {
		this.flag = in.readUTF();
		this.key = in.readUTF();
		this.value = in.readUTF();
		this.content = in.readUTF();
		
	}

	@Override
	public void write(DataOutput out) throws IOException {
		out.writeUTF(this.flag);
		out.writeUTF(this.key);
		out.writeUTF(this.value);
		out.writeUTF(this.content);
		
	}
	
	
}

package com.baidu.join;

import java.io.IOException;
import java.util.ArrayList;
import java.util.HashMap;
import java.util.Iterator;
import java.util.List;
import java.util.StringTokenizer;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;

import com.baidu.util.TextPair;

public class JoinMapper {
	public static int time = 0;

	/*
	 * 在map中先区分输入行属于左表还是右表，然后对两列值进行分割， 保存连接列在key值，剩余列和左右表标志在value中，最后输出
	 */
	public static class Map extends Mapper<Object, Text, Text, TextPair> {

		// 实现map函数
		public void map(Object key, Text value, Context context)
				throws IOException, InterruptedException {
			String line = value.toString();// 每行文件

			// 输入的一行预处理文本
			StringTokenizer itr = new StringTokenizer(line);
			int i = 0;
			String[] strs = new String[2];
			while (itr.hasMoreTokens()) {
				strs[i] = itr.nextToken();
				i++;
			}
			TextPair pair = new TextPair();
			if (line.length() > 1) {
				if (strs[0].charAt(0) >= ‘0‘ && strs[0].charAt(0) <= ‘9‘) {// address
					pair.setFlag("1");
					pair.setKey(strs[0]);
					pair.setValue(strs[1]);// beijin,1
				} else {// factory
					pair.setFlag("2");
					pair.setKey(strs[1]);
					pair.setValue(strs[0] + "," + strs[1]);// factory,1
				}
			}
			// 输出左右表
			context.write(new Text(pair.getKey()), pair);
		}
	}

	/*
	 * reduce解析map输出，将value中数据按照左右表分别保存， 　　* 然后求出笛卡尔积，并输出。
	 */
	public static class Reduce extends Reducer<Text, TextPair, Text, Text> {
		private static HashMap<String, String> addMap = new HashMap<String, String>(1000);
		private static List<String> facList = new ArrayList<String>(1000);
		
		private static HashMap<String, Boolean> cityMap = new HashMap<String, Boolean>(1000);
		
		// 实现reduce函数
		public void reduce(Text key, Iterable<TextPair> values, Context context)
				throws IOException, InterruptedException {

			Iterator<TextPair> ite = values.iterator();
			while (ite.hasNext()) {
				TextPair pair = (TextPair) ite.next();
				if ("1".equals(pair.getFlag())) {
					addMap.put(pair.getKey(), pair.getValue());
				} else {
					facList.add(pair.getValue());
				}
			}

			// 求笛卡尔积
			for (int j = 0; j < facList.size(); j++) {
				String[] facStrs = facList.get(j).split(",");
				if (addMap.containsKey(facStrs[1]) && !cityMap.containsKey(facStrs[0])) {
					cityMap.put(facStrs[0], true);
					context.write(new Text(facStrs[0]), new Text(addMap.get(facStrs[1])));
				}
			}
			
		}
	}

	public static void main(String[] args) throws Exception {
		Configuration conf = new Configuration();
		// 这句话很关键
		// conf.set("mapred.job.tracker", "192.168.1.2:9001");

		String[] ioArgs = new String[] { "/user/root/txt/table", "/out/table1" };
		String[] otherArgs = new GenericOptionsParser(conf, ioArgs)
				.getRemainingArgs();
		if (otherArgs.length != 2) {
			System.err.println("Usage: Multiple Table Join <in> <out>");
			System.exit(2);
		}

		Job job = new Job(conf, "Multiple Table Join");
		job.setJarByClass(JoinMapper.class);

		// 设置Map和Reduce处理类
		job.setMapperClass(Map.class);
		job.setReducerClass(Reduce.class);
		
		job.setMapOutputKeyClass(Text.class);  
        job.setMapOutputValueClass(TextPair.class);  
          
		// 设置输出类型
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(TextPair.class);

		// 设置输入和输出目录
		FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
		FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
		System.exit(job.waitForCompletion(true) ? 0 : 1);
	}
}

结果：

AAAAA	Beijing
DDDDD	Beijing
GGGGGGG	Beijing
CCCCC	Guangzhou
FFFFFFF	Guangzhou
BBBBB	Shenzhen
EEEEEEE	Shenzhen

本文出自 “梦朝思夕” 博客，请务必保留此出处http://qiangmzsx.blog.51cto.com/2052549/1559340

MapReduce 中的两表 join 实例

标签：hadoop 链接 多表链接 连接

原文地址：http://qiangmzsx.blog.51cto.com/2052549/1559340