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(Text.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
转载于:https://blog.51cto.com/qiangmzsx/1559340