MapReduce Join联结实现

一、背景
早在8月份的时候，我就做了一些MR的Join查询，但是发现回北京之后，2个月不用，居然有点生疏，所以今天早上又花时间好好看了一下，顺便写下这个文档，以供以后查阅。
二、 环境
JDK 1.6、Linux操作系统、hadoop0.20.2
三、资料 数据
在做这个Join查询的时候，必然涉及数据，我这里设计了2张表，分别较 data .txt和info.txt，字段之间以\t划分。
data.txt内容如下：
201001 1003 abc
201002 1005 def
201003 1006 ghi
201004 1003 jkl
201005 1004 mno
201006 1005 pqr

info.txt内容如下：
1003 kaka
1004 da
1005 jue
1006 zhao

期望输出结果：
1003 201001 abc kaka
1003 201004 jkl kaka
1004 201005 mno da
1005 201002 def jue
1005 201006 pqr jue
1006 201003 ghi zhao

四、Map代码
首先是map的代码，我贴上，然后简要说说
public static class Example_Join_01_Mapper extends Mapper<LongWritable, Text, TextPair, Text> {
  @Override
  protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
   // 获取输入 文件 的全 路径 和名称
   String pathName = ((FileSplit) context.getInputSplit()).getPath().toString();
   if (pathName.contains("data.txt")) {
    String values[] = value.toString().split("\t");
    if (values.length < 3) {
     // data数据格式不规范，字段小于3，抛弃数据
     return;
    } else {
     // 数据格式规范，区分标识为1
     TextPair tp = new TextPair(new Text(values[1]), new Text("1"));
     context.write(tp, new Text(values[0] + "\t" + values[2]));
    }
   }
   if (pathName.contains("info.txt")) {
    String values[] = value.toString().split("\t");
    if (values.length < 2) {
     // data数据格式不规范，字段小于2，抛弃数据
     return;
    } else {
     // 数据格式规范，区分标识为0
     TextPair tp = new TextPair(new Text(values[0]), new Text("0"));
     context.write(tp, new Text(values[1]));
    }
   }
  }
}

这里需要注意以下部分：
A、pathName是文件在HDFS中的全路径(例如： hdfs ://M1:9000/dajuezhao/join/data/info.txt)，可以以endsWith()的方法来判断。
B、资料表，也就是这里的info.txt需要放在前面，也就是标识号是0.否则无法输出理想结果。
C、Map执行完成之后，输出的中间结果如下：
1003,1 201001 abc
1003,1 201004 jkl
1004,1 201005 mon
1005,1 201002 def
1005,1 201006 pqr
1006,1 201003 ghi
1003,0 kaka
1004,0 da
1005,0 jue
1006,0 zhao

五、分区和分组
1、map之后的输出会进行一些分区的操作，代码贴出来： 
public static class Example_Join_01_Partitioner extends Partitioner<TextPair, Text> {
  @Override
  public int getPartition(TextPair key, Text value, int numParititon) {
   return Math.abs(key.getFirst().hashCode() * 127) % numParititon;
  }
}
分区我在以前的文档中写过，这里不做描述了，就说是按照map输出的符合key的第一个字段做分区关键字。分区之后，相同key会划分到一个 reduce 中去处理（如果reduce设置是1，那么就是分区有多个，但是还是在一个reduce中处理。但是结果会按照分区的原则排序）。分区后结果大致如下：
同一区：
1003,1 201001 abc
1003,1 201004 jkl
1003,0 kaka
同一区：
1004,1 201005 mon
1004,0 da
同一区：
1005,1 201002 def
1005,1 201006 pqr
1005,0 jue
同一区：
1006,1 201003 ghi
1006,0 zhao
2、分组操作，代码如下
public static class Example_Join_01_Comparator extends WritableComparator {
  public Example_Join_01_Comparator() {
   super(TextPair.class, true);
  }
  @SuppressWarnings("unchecked")
  public int compare(WritableComparable a, WritableComparable b) {
   TextPair t1 = (TextPair) a;
   TextPair t2 = (TextPair) b;
   return t1.getFirst().compareTo(t2.getFirst());
  }
}
分组操作就是把在相同分区的数据按照指定的规则进行分组的操作，就以上来看，是按照复合key的第一个字段做分组原则。输出后结果如下：
同一组：
1003,0 kaka
1003,0 201001 abc
1003,0 201004 jkl
同一组：
1004,0 da
1004,0 201005 mon
同一组：
1005,0 jue
1005,0 201002 def
1005,0 201006 pqr
同一组：
1006,0 zhao
1006,0 201003 ghi
六、reduce操作
贴上代码如下：
public static class Example_Join_01_Reduce extends Reducer<TextPair, Text, Text, Text> {
  protected void reduce(TextPair key, Iterable<Text> values, Context context) throws IOException,
    InterruptedException {
   Text pid = key.getFirst();
   String desc = values.iterator().next().toString();
   while (values.iterator().hasNext()) {
    context.write(pid, new Text(values.iterator().next().toString() + "\t" + desc));
   }
  }
}
1、代码比较简单，首先获取关键的ID值，就是key的第一个字段。
2、获取公用的字段，通过排组织后可以看到，一些共有字段是在第一位，取出来即可。
3、遍历余下的结果，输出。
七、其他的支撑代码
1、首先是TextPair代码，没有什么可以细说的，贴出来：
public class TextPair implements WritableComparable<TextPair> {
private Text first;
private Text second;
public TextPair() {
  set(new Text(), new Text());
}
public TextPair(String first, String second) {
  set(new Text(first), new Text(second));
}
public TextPair(Text first, Text second) {
  set(first, second);
}
public void set(Text first, Text second) {
  this.first = first;
  this.second = second;
}
public Text getFirst() {
  return first;
}
public Text getSecond() {
  return second;
}
public void write(DataOutput out) throws IOException {
  first.write(out);
  second.write(out);
}
public void readFields(DataInput in) throws IOException {
  first.readFields(in);
  second.readFields(in);
}
public int compareTo(TextPair tp) {
  int cmp = first.compareTo(tp.first);
  if (cmp != 0) {
   return cmp;
  }
  return second.compareTo(tp.second);
}
}
2、Job的入口函数
public static void main(String agrs[]) throws IOException, InterruptedException, ClassNotFoundException {
  Configuration conf = new Configuration();
  GenericOptionsParser parser = new GenericOptionsParser(conf, agrs);
  String[] otherArgs = parser.getRemainingArgs();
  if (agrs.length < 3) {
   System.err.println("Usage: Example_Join_01 <in_path_one> <in_path_two> <output>");
   System.exit(2);
  }
  //conf.set("hadoop. job .ugi", "root,hadoop");
  Job job = new Job(conf, "Example_Join_01");
  // 设置 运行 的job
  job.setJarByClass(Example_Join_01.class);
  // 设置Map相关内容
  job.setMapperClass(Example_Join_01_Mapper.class);
  // 设置Map的输出
  job.setMapOutputKeyClass(TextPair.class);
  job.setMapOutputValueClass(Text.class);
  // 设置partition
  job.setPartitionerClass(Example_Join_01_Partitioner.class);
  // 在分区之后按照指定的条件分组
  job.setGroupingComparatorClass(Example_Join_01_Comparator.class);
  // 设置reduce
  job.setReducerClass(Example_Join_01_Reduce.class);
  // 设置reduce的输出
  job.setOutputKeyClass(Text.class);
  job.setOutputValueClass(Text.class);
  // 设置输入和输出的目录
  FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
  FileInputFormat.addInputPath(job, new Path(otherArgs[1]));
  FileOutputFormat.setOutputPath(job, new Path(otherArgs[2]));
  // 执行，直到结束就退出
  System.exit(job.waitForCompletion(true) ? 0 : 1);
}
八、总结
1、这是个简单的join查询，可以看到，我在处理输入源的时候是在map端做来源判断。其实在0.19可以用MultipleInputs.addInputPath()的方法，但是它用了JobConf做参数。这个方法原理是多个数据源就采用多个map来处理。方法各有优劣。
2、对于资源表，如果我们采用0和1这样的模式来区分，资源表是需要放在前的。例如本例中info.txt就是资源表，所以标识位就是0.如果写为1的话，可以试下，在分组之后，资源表对应的值放在了迭代器最后一位，无法追加在最后所有的结果集合中。
3、关于分区，并不是所有的map都结束才开始的，一部分数据完成就会开始执行。同样，分组操作在一个分区内执行，如果分区完成，分组将会开始执行，也不是等所有分区完成才开始做分组的操作。