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(TextPair.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