在没有 pig 或者 hive 的环境下,直接在 mapreduce 中自己实现 join 是一件极其蛋疼的事情,MR中的join分为好几种,比如有最常见的 reduce side join,map side join,semi join 等。今天我们要讨论的是第 2 种:map side join,这种 join 在处理多个小表关联大表时非常有用,而 reduce join 在处理多表关联时是比较麻烦的,一次只能处理一张表。
1、原理:
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。但 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://jobtracker:50030/home/XXX/file)。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。
2、环境:
本实例需要的测试文件及 hdfs 文件存放目录如下:
hadoop fs -ls /test/decli Found 4 items -rw-r--r-- 2 root supergroup 152 2013-03-06 02:05 /test/decli/login drwxr-xr-x - root supergroup 0 2013-03-06 02:45 /test/decli/output -rw-r--r-- 2 root supergroup 12 2013-03-06 02:12 /test/decli/sex -rw-r--r-- 2 root supergroup 72 2013-03-06 02:44 /test/decli/user
测试文件内容分别为:
root@master 192.168.120.236 02:58:03 ~/test/table > cat login # 登录表,需要判断 uid 列是否有效,并得到对应用户名、性别、访问次数 1 0 20121213 2 0 20121213 3 1 20121213 4 1 20121213 1 0 20121114 2 0 20121114 3 1 20121114 4 1 20121114 1 0 20121213 1 0 20121114 9 0 20121114 root@master 192.168.120.236 02:58:08 ~/test/table > cat sex # 性别表 0 男 1 女 root@master 192.168.120.236 02:58:13 ~/test/table > cat user # 用户属性表 1 张三 hubei 3 王五 tianjin 4 赵六 guangzhou 2 李四 beijing root@master 192.168.120.236 02:58:16 ~/test/table >
测试环境 hadoop 版本:
好了,废话少说,上代码:
3、代码:
001
import
java.io.BufferedReader;
002
import
java.io.FileReader;
003
import
java.io.IOException;
004
import
java.util.HashMap;
007
import
org.apache.hadoop.conf.Configuration;
008
import
org.apache.hadoop.conf.Configured;
009
import
org.apache.hadoop.filecache.DistributedCache;
010
import
org.apache.hadoop.fs.Path;
011
import
org.apache.hadoop.io.LongWritable;
012
import
org.apache.hadoop.io.Text;
013
import
org.apache.hadoop.mapreduce.Job;
014
import
org.apache.hadoop.mapreduce.Mapper;
015
import
org.apache.hadoop.mapreduce.Reducer;
016
import
org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
017
import
org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
018
import
org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
019
import
org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
020
import
org.apache.hadoop.util.GenericOptionsParser;
021
import
org.apache.hadoop.util.Tool;
022
import
org.apache.hadoop.util.ToolRunner;
024
public
class
MultiTableJoin
extends
Configured
implements
Tool {
025
public
static
class
MapClass
extends
Mapper<LongWritable, Text, Text, Text> {
028
private
Map<String, String> userMap =
new
HashMap<String, String>();
029
private
Map<String, String> sexMap =
new
HashMap<String, String>();
031
private
Text oKey =
new
Text();
032
private
Text oValue =
new
Text();
037
protected
void
setup(Context context)
throws
IOException,
038
InterruptedException {
039
BufferedReader in =
null
;
043
Path[] paths = DistributedCache.getLocalCacheFiles(context
044
.getConfiguration());
045
String uidNameAddr =
null
;
046
String sidSex =
null
;
047
for
(Path path : paths) {
048
if
(path.toString().contains(
"user"
)) {
049
in =
new
BufferedReader(
new
FileReader(path.toString()));
050
while
(
null
!= (uidNameAddr = in.readLine())) {
051
userMap.put(uidNameAddr.split(
"\t"
, -
1
)[
0
],
052
uidNameAddr.split(
"\t"
, -
1
)[
1
]);
054
}
else
if
(path.toString().contains(
"sex"
)) {
055
in =
new
BufferedReader(
new
FileReader(path.toString()));
056
while
(
null
!= (sidSex = in.readLine())) {
057
sexMap.put(sidSex.split(
"\t"
, -
1
)[
0
], sidSex.split(
062
}
catch
(IOException e) {
069
}
catch
(IOException e) {
075
public
void
map(LongWritable key, Text value, Context context)
076
throws
IOException, InterruptedException {
078
kv = value.toString().split(
"\t"
);
080
if
(userMap.containsKey(kv[
0
]) && sexMap.containsKey(kv[
1
])) {
081
oKey.set(userMap.get(kv[
0
]) +
"\t"
+ sexMap.get(kv[
1
]));
083
context.write(oKey, oValue);
089
public
static
class
Reduce
extends
Reducer<Text, Text, Text, Text> {
094
public
void
reduce(Text key, Iterable<Text> values, Context context)
095
throws
IOException, InterruptedException {
098
for
(Text val : values) {
099
sumCount += Integer.parseInt(val.toString());
102
context.write(key,
new
Text(String.valueOf(sumCount)));
107
public
int
run(String[] args)
throws
Exception {
108
Job job =
new
Job(getConf(),
"MultiTableJoin"
);
110
job.setJobName(
"MultiTableJoin"
);
111
job.setJarByClass(MultiTableJoin.
class
);
112
job.setMapperClass(MapClass.
class
);
113
job.setReducerClass(Reduce.
class
);
115
job.setInputFormatClass(TextInputFormat.
class
);
116
job.setOutputFormatClass(TextOutputFormat.
class
);
118
job.setOutputKeyClass(Text.
class
);
119
job.setOutputValueClass(Text.
class
);
121
String[] otherArgs =
new
GenericOptionsParser(job.getConfiguration(),
122
args).getRemainingArgs();
125
DistributedCache.addCacheFile(
new
Path(otherArgs[
1
]).toUri(), job
126
.getConfiguration());
127
DistributedCache.addCacheFile(
new
Path(otherArgs[
2
]).toUri(), job
128
.getConfiguration());
130
FileInputFormat.addInputPath(job,
new
Path(otherArgs[
3
]));
131
FileOutputFormat.setOutputPath(job,
new
Path(otherArgs[
4
]));
133
return
job.waitForCompletion(
true
) ?
0
:
1
;
136
public
static
void
main(String[] args)
throws
Exception {
137
int
res = ToolRunner.run(
new
Configuration(),
new
MultiTableJoin(),
运行命令:
1
hadoop jar MultiTableJoin.jar MultiTableJoin /test/decli/sex /test/decli/user /test/decli/login /test/decli/output
4、结果:
运行结果:
root@master 192.168.120.236 02:47:18 ~/test/table > hadoop fs -cat /test/decli/output/*|column -t cat: File does not exist: /test/decli/output/_logs 张三 男 4 李四 男 2 王五 女 2 赵六 女 2 root@master 192.168.120.236 02:47:26 ~/test/table >
TIPS:
更多关于 hadoop mapreduce 相关 join 介绍,请参考之前的博文:
MapReduce 中的两表 join 几种方案简介
http://my.oschina.net/leejun2005/blog/95186