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