通过Map-Reduce实现Join系列之二

在本系列的第一篇中，介绍了几种在数据库应用中常见的Join算法，本文将会介绍两种使用Map-Reduce实现对两个数据集合进行Join的算法，其中的一种会用到第一篇中提到的哈希Join算法。这里将这两种方法分别命名为Map-Reduce Join和Map-Only Join。
[b]1. Map-Reduce Join[/b]
这种Join方法，需要在hadoop上执行一个完整的Map-Reduce过程。下面的图说明了这个过程。
[img]http://dl.iteye.com/upload/attachment/0077/9592/f6b81703-6798-34a1-b51a-3474b209b00a.jpg[/img]
[*]Map过程
Map过程从需要进行合并的数据集合中读取数据，以Join条件中被用到的那一列的值为key，以整行数据为Value，将结果写到输出流中。为了标记Map集合中的每一行记录来自于哪个源数据集合，需要位Key添加一个标识。例如，有数据集合P(A,B)和Q(C,B)，其中P集合有A、B两列，而Q集合有B、C两列，在根据B列对两个数据集合进行Join的情况下，P集合中的数据经过Map之后将以(B,tag,A+B)的形式输出，其中B列的值与tag的值共同组成Key，而整行记录将作为Value输出。对于Q来说也是如此，Q集合经过Map之后将以(B,tag,B+C)的形式输出。
[*]tag的作用
tag的作用是为了区分数据来源，以便在Reduce阶段可以对不同来源的记录进行Join。但是，由于在Key中增加了一个tag，如果使用Hadoop默认的切分方法(Partitioner)，会将B列值相同的记录分配给不同的Reducer，因此我们需要提供自定义的Partitioner，在选择Reducer的时候，不去考虑tag。
在数据丢给Reducer的reduce方法进行处理之前，Hadoop会根据key将数据进行聚合，把具有相同key的数据组合到一起去。由于在Key中增加了tag标识，如果使用Hadoop提供的默认分组方法，来自于不同集合的记录是无法被组合到一起去的，因此，我们同样需要提供自定义的分组排序算法，在分组的时候不去考虑tag标识，同时保证在同一个Key下面，来自于一个集合的所有记录都会排在另外一个集合的所有记录之前。
[*]Reduce过程
在Reduce阶段，由于Map-Reduce方法保证具有相同Key的数据会被丢给同一个Reducer进行处理，因此P和Q中，在B列值相同的记录会被同一个Reducer进行处理，这个时候就可以执行Join操作了。所采用的算法如下：

void reduce(TextPair key , Iterator <TextPair> values , 
		OutputCollector <Text , Text > output , Reporter reporter)
		throws IOException {
	ArrayList<Text> T1 = new ArrayList<Text>(); 
	Text tag = key.getSecond();

	TextPair value = null; 
	while(values.hasNext()){
		value = values.next(); 
		if(value.getSecond().compareTo(tag)==0) {
			T1.add(value.getFirst()); 
		} else {
			for(Text val : T1) {
				output.collect(key.getFirst(),
				new Text(val.toString() + "\t" + value.getFirst().toString()));
			} 
		}
	} 
}

算法中的Key和Value都使用了TextPar类，找个类可以封装两个Text对象，对于Key来说，这个TextPair封装了被Join列的值以及第一个其中一个数据集合的tag，而对于Value来说，TextPair则封装了每个集合中的记录以及这个记录的来源。
[b]2. Map-Only Join[/b]
这种Join算法类似于本系列第一篇中提到的哈希Join，本质是将哈希Join应用到分布式环境中。这种Join方式，要求被Join的两个数据集合中，至少有一个集合的数据量能够被完全载入内存中。
这个算法，在每一个Mapper启动之前，将数据量较小的结合中的数据载入内存的哈希表中，而map方法则是读取另外一个集合的数据记录，与预先载入到内存哈希表中的另外一个集合的记录进行Join。
由于在这种算法中，需要将数据量比较小的那个集合中的记录复制到每一个Mapper的内存中，因此也被叫做广播Join算法(Broadcase Join)。