hadoop join之semi join

SemiJoin，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。此实例中，还是采用第一个实例中的数据，假如我们只过滤sex为1的user，并将key存于user_id文件中（注意：每行的数据一定要带上双引号啊），如下：

"ID"
"1"
"2"
"3"
"5"
"6"
"8"
"9"

完整代码如下，此实例中我们采用新的API来写：

public class SemiJoin extends Configured implements Tool
{
    public static class MapClass extends Mapper<LongWritable, Text, Text, Text>
    {

        // 用于缓存user_id文件中的数据
        private Set<String> userIds = new HashSet<String>();
        
        private Text key = new Text();
        private Text value = new Text();
        private String[] keyValue;

        // 此方法会在map方法执行之前执行
        @Override
        protected void setup(Context context) throws IOException, InterruptedException
        {
            BufferedReader in = null;

            try
            {
                // 从当前作业中获取要缓存的文件
                Path[] paths = DistributedCache.getLocalCacheFiles(context.getConfiguration());
                String userId = null;

                for (Path path : paths)
                {
                    if (path.toString().contains("user_id"))
                    {
                        in = new BufferedReader(new FileReader(path.toString()));
                        while (null != (userId = in.readLine()))
                        {
                            userIds.add(userId);
                        }
                    }
                }
            }
            catch (IOException e)
            {
                e.printStackTrace();
            }
            finally
            {
                try
                {
                    if(in != null)
                    {
                        in.close(); 
                    }
                }
                catch (IOException e)
                {
                    e.printStackTrace();
                }
            }
        }

        public void map(LongWritable key, Text value, Context context)
            throws IOException, InterruptedException
        {
            // 在map阶段过滤掉不需要的数据
            this.keyValue = value.toString().split(",");
            
            if(userIds.contains(keyValue[0]))
            {
                this.key.set(keyValue[0]);
                this.value.set(keyValue[1]);
                context.write(this.key, this.value);
            }
        }

    }

    public static class Reduce extends Reducer<Text, Text, Text, Text>
    {

        private Text value = new Text();
        private StringBuilder sb;
        
        public void reduce(Text key, Iterable<Text> values, Context context) 
            throws IOException, InterruptedException
        {
            
            sb = new StringBuilder();
            for(Text val : values)
            {
                sb.append(val.toString());
                sb.append(",");
            }
            
            this.value.set(sb.deleteCharAt(sb.length()-1).toString());
            context.write(key, this.value);
        }
        
    }
    
    public int run(String[] args) throws Exception
    {
        Job job = new Job(getConf(), "SemiJoin");

        job.setJobName("SemiJoin");
        job.setJarByClass(SemiJoin.class);
        job.setMapperClass(MapClass.class);
        job.setReducerClass(Reduce.class);

        job.setInputFormatClass(TextInputFormat.class);
        job.setOutputFormatClass(TextOutputFormat.class);

        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(Text.class);

        String[] otherArgs = new GenericOptionsParser(job.getConfiguration(), args).getRemainingArgs();
        
        // 我们把第一个参数的地址作为要缓存的文件路径
        DistributedCache.addCacheFile(new Path(otherArgs[0]).toUri(), job.getConfiguration());
        FileInputFormat.addInputPath(job, new Path(otherArgs[1]));
        FileOutputFormat.setOutputPath(job, new Path(otherArgs[2]));

        return job.waitForCompletion(true) ? 0 : 1;
    }

    public static void main(String[] args) throws Exception
    {
        int res = ToolRunner.run(new Configuration(), new SemiJoin(), args);
        System.exit(res);
    }

}