用Hive一句话搞定的，但是有时必须要用mapreduce

方法介绍

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。

本文首先介绍了Hadoop上通常的JOIN实现方法，然后给出了几种针对不同输入数据集的优化方法。

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.

2.1 reduce side join

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。

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。

2.3 SemiJoin

SemiJoin，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。

更多关于半连接的介绍，可参考：半连接介绍：http://wenku.baidu.com/view/ae7442db7f1922791688e877.html

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true negative，即：如果contains()返回true，则该元素可能在集合中。

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。

更多关于BloomFilter的介绍，可参考：http://blog.csdn.net/jiaomeng/article/details/1495500

3. 二次排序

在Hadoop中，默认情况下是按照key进行排序，如果要按照value进行排序怎么办？即：对于同一个key，reduce函数接收到的value list是按照value排序的。这种应用需求在join操作中很常见，比如，希望相同的key中，小表对应的value排在前面。

有两种方法进行二次排序，分别为：buffer and in memory sort和 value-to-key conversion。

对于buffer and in memory sort，主要思想是：在reduce()函数中，将某个key对应的所有value保存下来，然后进行排序。 这种方法最大的缺点是：可能会造成out of memory。

对于value-to-key conversion，主要思想是：将key和部分value拼接成一个组合key（实现WritableComparable接口或者调用setSortComparatorClass函数），这样reduce获取的结果便是先按key排序，后按value排序的结果，需要注意的是，用户需要自己实现Paritioner，以便只按照key进行数据划分。Hadoop显式的支持二次排序，在Configuration类中有个setGroupingComparatorClass()方法，可用于设置排序group的key值，

reduce-side-join python代码

hadoop有个工具叫做steaming，能够支持python、shell、C++、PHP等其他任何支持标准输入stdin及标准输出stdout的语言，其运行原理可以通过和标准java的map-reduce程序对比来说明：

使用原生java语言实现Map-reduce程序

1. hadoop准备好数据后，将数据传送给java的map程序
2. java的map程序将数据处理后，输出O1
3. hadoop将O1打散、排序，然后传给不同的reduce机器
4. 每个reduce机器将传来的数据传给reduce程序
5. reduce程序将数据处理，输出最终数据O2

借助hadoop streaming使用python语言实现Map-reduce程序

1. hadoop准备好数据后，将数据传送给java的map程序
2. java的map程序将数据处理成“键/值”对，并传送给python的map程序
3. python的map程序将数据处理后，将结果传回给java的map程序
4. java的map程序将数据输出为O1
5. hadoop将O1打散、排序，然后传给不同的reduce机器
6. 每个reduce机器将传来的数据处理成“键/值”对，并传送给python的reduce程序
7. python的reduce程序将数据处理后，将结果返回给java的reduce程序
8. java的reduce程序将数据处理，输出最终数据O2

上面红色表示map的对比，蓝色表示reduce的对比，可以看出streaming程序多了一步中间处理，这样说来steaming程序的效率和性能应该低于java版的程序，然而python的开发效率、运行性能有时候会大于java，这就是streaming的优势所在。

hadoop之实现集合join的需求

hadoop是用来做数据分析的，大都是对集合进行操作，因此该过程中将集合join起来使得一个集合能得到另一个集合对应的信息的需求非常常见。

比如以下这个需求，有两份数据：学生信息（学号，姓名）和学生成绩（学号、课程、成绩），特点是有个共同的主键“学号”，现在需要将两者结合起来得到数据（学号，姓名，课程，成绩），计算公式：

（学号，姓名） join （学号，课程，成绩）= （学号，姓名，课程，成绩）

数据事例1-学生信息：

数据事例2:-学生成绩：

期待的最终输出：

实现join的注意点和易踩坑总结

如果你想写一个完善健壮的map reduce程序，我建议你首先弄清楚输入数据的格式、输出数据的格式，然后自己手动构建输入数据并手动计算出输出数据，这个过程中你会发现一些写程序中需要特别处理的地方：

1. 实现join的key是哪个，是1个字段还是2个字段，本例中key是sno，1个字段
2. 每个集合中key是否可以重复，本例中数据1不可重复，数据2的key可以重复
3. 每个集合中key的对应值是否可以不存在，本例中有学生会没成绩，所以数据2的key可以为空

第1条会影响到hadoop启动脚本中key.fields和partition的配置，第2条会影响到map-reduce程序中具体的代码实现方式，第3条同样影响代码编写方式。

hadoop实现join操作的思路

具体思路是给每个数据源加上一个数字标记label，这样hadoop对其排序后同一个字段的数据排在一起并且按照label排好序了，于是直接将相邻相同key的数据合并在一起输出就得到了结果。

1、 map阶段：给表1和表2加标记，其实就是多输出一个字段，比如表一加标记为0，表2加标记为2；

2、 partion阶段：根据学号key为第一主键，标记label为第二主键进行排序和分区

3、 reduce阶段：由于已经按照第一主键、第二主键排好了序，将相邻相同key数据合并输出

hadoop使用python实现join的map和reduce代码

mapper.py的代码：

reducer的代码：

使用shell脚本启动hadoop程序的方法：

可以自己手工构造输入输出数据进行测试，本程序是验证过的。

更多需要注意的地方

hadoop的join操作可以分为很多类型，各种类型脚本的编写有所不同，其分类是按照key字段数目、value字段数目、key是否可重复来划分的，以下是一个个人总结的对照表，表示会影响的地方：

3、map和reduce脚本中key的获取

4、map和reduce脚本中每一条数据和上一条数据比较的方法key是否可重复如果数据源1可重复，标记为M；数据源2可重复标记为N，那么join可以分为：1*1、M*1、M*N类型

1*1类型：reduce中先记录第一个value，然后在下一条直接合并输出；

M*1类型：将类型1作为标记小的输出，然后每次遇见label=1就记录value，每遇见一次label=2就输出一次最终结果；

M*N类型：遇见类型1，就用数组记录value值，遇见label=2就将将记录的数组值全部连同该行value输出。value字段数目影响每次label=1时记录的数据个数，需要将value都记录下来

reduce-side-join java代码

数据准备

首先是准备好数据。这个倒已经是一个熟练的过程，所要做的是把示例数据准备好，记住路径和字段分隔符。

准备好下面两张表：

（1）m_ys_lab_jointest_a（以下简称表A）

建表语句为：

[sql] view
plain copy

print?

1. create table if not exists m_ys_lab_jointest_a (
2. id bigint,
3. name string
4. )
5. row format delimited
6. fields terminated by ‘9‘
7. lines terminated by ‘10‘
8. stored as textfile;

数据：

（2）m_ys_lab_jointest_b（以下简称表B）

建表语句为：

[sql] view
plain copy

print?

1. create table if not exists m_ys_lab_jointest_b (
2. id bigint,
3. statyear bigint,
4. num bigint
5. )
6. row format delimited
7. fields terminated by ‘9‘
8. lines terminated by ‘10‘
9. stored as textfile;

数据：

我们的目的是，以id为key做join操作，得到以下表：

m_ys_lab_jointest_ab

计算模型

整个计算过程是：

（1）在map阶段，把所有记录标记成<key, value>的形式，其中key是id，value则根据来源不同取不同的形式：来源于表A的记录，value的值为"a#"+name；来源于表B的记录，value的值为"b#"+score。

（2）在reduce阶段，先把每个key下的value列表拆分为分别来自表A和表B的两部分，分别放入两个向量中。然后遍历两个向量做笛卡尔积，形成一条条最终结果。

如下图所示：

代码

代码如下：

[java] view
plain copy

print?

1. import java.io.IOException;
2. import java.util.HashMap;
3. import java.util.Iterator;
4. import java.util.Vector;
5. import org.apache.hadoop.io.LongWritable;
6. import org.apache.hadoop.io.Text;
7. import org.apache.hadoop.io.Writable;
8. import org.apache.hadoop.mapred.FileSplit;
9. import org.apache.hadoop.mapred.JobConf;
10. import org.apache.hadoop.mapred.MapReduceBase;
11. import org.apache.hadoop.mapred.Mapper;
12. import org.apache.hadoop.mapred.OutputCollector;
13. import org.apache.hadoop.mapred.RecordWriter;
14. import org.apache.hadoop.mapred.Reducer;
15. import org.apache.hadoop.mapred.Reporter;
16. /**
17. * MapReduce实现Join操作
18. */
19. public class MapRedJoin {
20. public static final String DELIMITER = "\u0009"; // 字段分隔符
21. // map过程
22. public static class MapClass extends MapReduceBase implements
23. Mapper<LongWritable, Text, Text, Text> {
24. public void configure(JobConf job) {
25. super.configure(job);
26. }
27. public void map(LongWritable key, Text value, OutputCollector<Text, Text> output,
28. Reporter reporter) throws IOException, ClassCastException {
29. // 获取输入文件的全路径和名称
30. String filePath = ((FileSplit)reporter.getInputSplit()).getPath().toString();
31. // 获取记录字符串
32. String line = value.toString();
33. // 抛弃空记录
34. if (line == null || line.equals("")) return;
35. // 处理来自表A的记录
36. if (filePath.contains("m_ys_lab_jointest_a")) {
37. String[] values = line.split(DELIMITER); // 按分隔符分割出字段
38. if (values.length < 2) return;
39. String id = values[0]; // id
40. String name = values[1]; // name
41. output.collect(new Text(id), new Text("a#"+name));
42. }
43. // 处理来自表B的记录
44. else if (filePath.contains("m_ys_lab_jointest_b")) {
45. String[] values = line.split(DELIMITER); // 按分隔符分割出字段
46. if (values.length < 3) return;
47. String id = values[0]; // id
48. String statyear = values[1]; // statyear
49. String num = values[2]; //num
50. output.collect(new Text(id), new Text("b#"+statyear+DELIMITER+num));
51. }
52. }
53. }
54. // reduce过程
55. public static class Reduce extends MapReduceBase
56. implements Reducer<Text, Text, Text, Text> {
57. public void reduce(Text key, Iterator<Text> values,
58. OutputCollector<Text, Text> output, Reporter reporter)
59. throws IOException {
60. Vector<String> vecA = new Vector<String>(); // 存放来自表A的值
61. Vector<String> vecB = new Vector<String>(); // 存放来自表B的值
62. while (values.hasNext()) {
63. String value = values.next().toString();
64. if (value.startsWith("a#")) {
65. vecA.add(value.substring(2));
66. } else if (value.startsWith("b#")) {
67. vecB.add(value.substring(2));
68. }
69. }
70. int sizeA = vecA.size();
71. int sizeB = vecB.size();
72. // 遍历两个向量
73. int i, j;
74. for (i = 0; i < sizeA; i ++) {
75. for (j = 0; j < sizeB; j ++) {
76. output.collect(key, new Text(vecA.get(i) + DELIMITER +vecB.get(j)));
77. }
78. }
79. }
80. }
81. protected void configJob(JobConf conf) {
82. conf.setMapOutputKeyClass(Text.class);
83. conf.setMapOutputValueClass(Text.class);
84. conf.setOutputKeyClass(Text.class);
85. conf.setOutputValueClass(Text.class);
86. conf.setOutputFormat(ReportOutFormat.class);
87. }
88. }

技术细节

下面说一下其中的若干技术细节：

（1）由于输入数据涉及两张表，我们需要判断当前处理的记录是来自表A还是来自表B。Reporter类getInputSplit()方法可以获取输入数据的路径，具体代码如下：

String filePath = ((FileSplit)reporter.getInputSplit()).getPath().toString();

（2）map的输出的结果，同id的所有记录（不管来自表A还是表B）都在同一个key下保存在同一个列表中，在reduce阶段需要将其拆开，保存为相当于笛卡尔积的m x n条记录。由于事先不知道m、n是多少，这里使用了两个向量（可增长数组）来分别保存来自表A和表B的记录，再用一个两层嵌套循环组织出我们需要的最终结果。

（3）在MapReduce中可以使用System.out.println()方法输出，以方便调试。不过System.out.println()的内容不会在终端显示，而是输出到了stdout和stderr这两个文件中，这两个文件位于logs/userlogs/attempt_xxx目录下。可以通过web端的历史job查看中的“Analyse This Job”来查看stdout和stderr的内容。

所有方法的java代码（巨长）

从别人那转来

1、在Reudce端进行连接。

在Reudce端进行连接是MapReduce框架进行表之间join操作最为常见的模式，其具体的实现原理如下：

Map端的主要工作：为来自不同表（文件）的key/value对打标签以区别不同来源的记录。然后用连接字段作为key，其余部分和新加的标志作为value，最后进行输出。

reduce端的主要工作：在reduce端以连接字段作为key的分组已经完成，我们只需要在每一个分组当中将那些来源于不同文件的记录（在map阶段已经打标志）分开，最后进行笛卡尔只就ok了。原理非常简单，下面来看一个实例：

(1)自定义一个value返回类型:

1. package com.mr.reduceSizeJoin;
2. import java.io.DataInput;
3. import java.io.DataOutput;
4. import java.io.IOException;
5. import org.apache.hadoop.io.Text;
6. import org.apache.hadoop.io.WritableComparable;
7. public class CombineValues implements WritableComparable{
8. //private static final Logger logger = LoggerFactory.getLogger(CombineValues.class);
9. private Text joinKey;//链接关键字
10. private Text flag;//文件来源标志
11. private Text secondPart;//除了链接键外的其他部分
12. public void setJoinKey(Text joinKey) {
13. this.joinKey = joinKey;
14. }
15. public void setFlag(Text flag) {
16. this.flag = flag;
17. }
18. public void setSecondPart(Text secondPart) {
19. this.secondPart = secondPart;
20. }
21. public Text getFlag() {
22. return flag;
23. }
24. public Text getSecondPart() {
25. return secondPart;
26. }
27. public Text getJoinKey() {
28. return joinKey;
29. }
30. public CombineValues() {
31. this.joinKey =  new Text();
32. this.flag = new Text();
33. this.secondPart = new Text();
34. }
35. @Override
36. public void write(DataOutput out) throws IOException {
37. this.joinKey.write(out);
38. this.flag.write(out);
39. this.secondPart.write(out);
40. }
41. @Override
42. public void readFields(DataInput in) throws IOException {
43. this.joinKey.readFields(in);
44. this.flag.readFields(in);
45. this.secondPart.readFields(in);
46. }
47. @Override
48. public int compareTo(CombineValues o) {
49. return this.joinKey.compareTo(o.getJoinKey());
50. }
51. @Override
52. public String toString() {
53. // TODO Auto-generated method stub
54. return "[flag="+this.flag.toString()+",joinKey="+this.joinKey.toString()+",secondPart="+this.secondPart.toString()+"]";
55. }
56. }

(2)map、reduce主体代码

1. package com.mr.reduceSizeJoin;
2. import java.io.IOException;
3. import java.util.ArrayList;
4. import org.apache.hadoop.conf.Configuration;
5. import org.apache.hadoop.conf.Configured;
6. import org.apache.hadoop.fs.Path;
7. import org.apache.hadoop.io.Text;
8. import org.apache.hadoop.mapreduce.Job;
9. import org.apache.hadoop.mapreduce.Mapper;
10. import org.apache.hadoop.mapreduce.Reducer;
11. import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
12. import org.apache.hadoop.mapreduce.lib.input.FileSplit;
13. import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
14. import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
15. import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
16. import org.apache.hadoop.util.Tool;
17. import org.apache.hadoop.util.ToolRunner;
18. import org.slf4j.Logger;
19. import org.slf4j.LoggerFactory;
20. /**
21. * @author zengzhaozheng
22. * 用途说明：
23. * reudce side join中的left outer join
24. * 左连接，两个文件分别代表2个表,连接字段table1的id字段和table2的cityID字段
25. * table1(左表):tb_dim_city(id int,name string,orderid int,city_code,is_show)
26. * tb_dim_city.dat文件内容,分隔符为"|"：
27. * id     name  orderid  city_code  is_show
28. * 0       其他        9999     9999         0
29. * 1       长春        1        901          1
30. * 2       吉林        2        902          1
31. * 3       四平        3        903          1
32. * 4       松原        4        904          1
33. * 5       通化        5        905          1
34. * 6       辽源        6        906          1
35. * 7       白城        7        907          1
36. * 8       白山        8        908          1
37. * 9       延吉        9        909          1
38. * -------------------------风骚的分割线-------------------------------
39. * table2(右表)：tb_user_profiles(userID int,userName string,network string,double flow,cityID int)
40. * tb_user_profiles.dat文件内容,分隔符为"|"：
41. * userID   network     flow    cityID
42. * 1           2G       123      1
43. * 2           3G       333      2
44. * 3           3G       555      1
45. * 4           2G       777      3
46. * 5           3G       666      4
47. *
48. * -------------------------风骚的分割线-------------------------------
49. *  结果：
50. *  1   长春  1   901 1   1   2G  123
51. *  1   长春  1   901 1   3   3G  555
52. *  2   吉林  2   902 1   2   3G  333
53. *  3   四平  3   903 1   4   2G  777
54. *  4   松原  4   904 1   5   3G  666
55. */
56. public class ReduceSideJoin_LeftOuterJoin extends Configured implements Tool{
57. private static final Logger logger = LoggerFactory.getLogger(ReduceSideJoin_LeftOuterJoin.class);
58. public static class LeftOutJoinMapper extends Mapper {
59. private CombineValues combineValues = new CombineValues();
60. private Text flag = new Text();
61. private Text joinKey = new Text();
62. private Text secondPart = new Text();
63. @Override
64. protected void map(Object key, Text value, Context context)
65. throws IOException, InterruptedException {
66. //获得文件输入路径
67. String pathName = ((FileSplit) context.getInputSplit()).getPath().toString();
68. //数据来自tb_dim_city.dat文件,标志即为"0"
69. if(pathName.endsWith("tb_dim_city.dat")){
70. String[] valueItems = value.toString().split("\\|");
71. //过滤格式错误的记录
72. if(valueItems.length != 5){
73. return;
74. }
75. flag.set("0");
76. joinKey.set(valueItems[0]);
77. secondPart.set(valueItems[1]+"\t"+valueItems[2]+"\t"+valueItems[3]+"\t"+valueItems[4]);
78. combineValues.setFlag(flag);
79. combineValues.setJoinKey(joinKey);
80. combineValues.setSecondPart(secondPart);
81. context.write(combineValues.getJoinKey(), combineValues);
82. }//数据来自于tb_user_profiles.dat，标志即为"1"
83. else if(pathName.endsWith("tb_user_profiles.dat")){
84. String[] valueItems = value.toString().split("\\|");
85. //过滤格式错误的记录
86. if(valueItems.length != 4){
87. return;
88. }
89. flag.set("1");
90. joinKey.set(valueItems[3]);
91. secondPart.set(valueItems[0]+"\t"+valueItems[1]+"\t"+valueItems[2]);
92. combineValues.setFlag(flag);
93. combineValues.setJoinKey(joinKey);
94. combineValues.setSecondPart(secondPart);
95. context.write(combineValues.getJoinKey(), combineValues);
96. }
97. }
98. }
99. public static class LeftOutJoinReducer extends Reducer {
100. //存储一个分组中的左表信息
101. private ArrayList leftTable = new ArrayList();
102. //存储一个分组中的右表信息
103. private ArrayList rightTable = new ArrayList();
104. private Text secondPar = null;
105. private Text output = new Text();
106. /**
107. * 一个分组调用一次reduce函数
108. */
109. @Override
110. protected void reduce(Text key, Iterable value, Context context)
111. throws IOException, InterruptedException {
112. leftTable.clear();
113. rightTable.clear();
114. /**
115. * 将分组中的元素按照文件分别进行存放
116. * 这种方法要注意的问题：
117. * 如果一个分组内的元素太多的话，可能会导致在reduce阶段出现OOM，
118. * 在处理分布式问题之前最好先了解数据的分布情况，根据不同的分布采取最
119. * 适当的处理方法，这样可以有效的防止导致OOM和数据过度倾斜问题。
120. */
121. for(CombineValues cv : value){
122. secondPar = new Text(cv.getSecondPart().toString());
123. //左表tb_dim_city
124. if("0".equals(cv.getFlag().toString().trim())){
125. leftTable.add(secondPar);
126. }
127. //右表tb_user_profiles
128. else if("1".equals(cv.getFlag().toString().trim())){
129. rightTable.add(secondPar);
130. }
131. }
132. logger.info("tb_dim_city:"+leftTable.toString());
133. logger.info("tb_user_profiles:"+rightTable.toString());
134. for(Text leftPart : leftTable){
135. for(Text rightPart : rightTable){
136. output.set(leftPart+ "\t" + rightPart);
137. context.write(key, output);
138. }
139. }
140. }
141. }
142. @Override
143. public int run(String[] args) throws Exception {
144. Configuration conf=getConf(); //获得配置文件对象
145. Job job=new Job(conf,"LeftOutJoinMR");
146. job.setJarByClass(ReduceSideJoin_LeftOuterJoin.class);
147. FileInputFormat.addInputPath(job, new Path(args[0])); //设置map输入文件路径
148. FileOutputFormat.setOutputPath(job, new Path(args[1])); //设置reduce输出文件路径
149. job.setMapperClass(LeftOutJoinMapper.class);
150. job.setReducerClass(LeftOutJoinReducer.class);
151. job.setInputFormatClass(TextInputFormat.class); //设置文件输入格式
152. job.setOutputFormatClass(TextOutputFormat.class);//使用默认的output格格式
153. //设置map的输出key和value类型
154. job.setMapOutputKeyClass(Text.class);
155. job.setMapOutputValueClass(CombineValues.class);
156. //设置reduce的输出key和value类型
157. job.setOutputKeyClass(Text.class);
158. job.setOutputValueClass(Text.class);
159. job.waitForCompletion(true);
160. return job.isSuccessful()?0:1;
161. }
162. public static void main(String[] args) throws IOException,
163. ClassNotFoundException, InterruptedException {
164. try {
165. int returnCode =  ToolRunner.run(new ReduceSideJoin_LeftOuterJoin(),args);
166. System.exit(returnCode);
167. } catch (Exception e) {
168. // TODO Auto-generated catch block
169. logger.error(e.getMessage());
170. }
171. }
172. }

其中具体的分析以及数据的输出输入请看代码中的注释已经写得比较清楚了，这里主要分析一下reduce join的一些不足。之所以会存在reduce join这种方式，我们可以很明显的看出原：因为整体数据被分割了，每个map task只处理一部分数据而不能够获取到所有需要的join字段，因此我们需要在讲join key作为reduce端的分组将所有join key相同的记录集中起来进行处理，所以reduce join这种方式就出现了。这种方式的缺点很明显就是会造成map和reduce端也就是shuffle阶段出现大量的数据传输，效率很低。

2、在Map端进行连接。

使用场景：一张表十分小、一张表很大。

用法:在提交作业的时候先将小表文件放到该作业的DistributedCache中，然后从DistributeCache中取出该小表进行join key / value解释分割放到内存中（可以放大Hash Map等等容器中）。然后扫描大表，看大表中的每条记录的join key /value值是否能够在内存中找到相同join key的记录，如果有则直接输出结果。

直接上代码，比较简单：

1. package com.mr.mapSideJoin;
2. import java.io.BufferedReader;
3. import java.io.FileReader;
4. import java.io.IOException;
5. import java.util.HashMap;
6. import org.apache.hadoop.conf.Configuration;
7. import org.apache.hadoop.conf.Configured;
8. import org.apache.hadoop.filecache.DistributedCache;
9. import org.apache.hadoop.fs.Path;
10. import org.apache.hadoop.io.Text;
11. import org.apache.hadoop.mapreduce.Job;
12. import org.apache.hadoop.mapreduce.Mapper;
13. import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
14. import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
15. import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
16. import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
17. import org.apache.hadoop.util.Tool;
18. import org.apache.hadoop.util.ToolRunner;
19. import org.slf4j.Logger;
20. import org.slf4j.LoggerFactory;
21. /**
22. * @author zengzhaozheng
23. *
24. * 用途说明：
25. * Map side join中的left outer join
26. * 左连接，两个文件分别代表2个表,连接字段table1的id字段和table2的cityID字段
27. * table1(左表):tb_dim_city(id int,name string,orderid int,city_code,is_show)，
28. * 假设tb_dim_city文件记录数很少，tb_dim_city.dat文件内容,分隔符为"|"：
29. * id     name  orderid  city_code  is_show
30. * 0       其他        9999     9999         0
31. * 1       长春        1        901          1
32. * 2       吉林        2        902          1
33. * 3       四平        3        903          1
34. * 4       松原        4        904          1
35. * 5       通化        5        905          1
36. * 6       辽源        6        906          1
37. * 7       白城        7        907          1
38. * 8       白山        8        908          1
39. * 9       延吉        9        909          1
40. * -------------------------风骚的分割线-------------------------------
41. * table2(右表)：tb_user_profiles(userID int,userName string,network string,double flow,cityID int)
42. * tb_user_profiles.dat文件内容,分隔符为"|"：
43. * userID   network     flow    cityID
44. * 1           2G       123      1
45. * 2           3G       333      2
46. * 3           3G       555      1
47. * 4           2G       777      3
48. * 5           3G       666      4
49. * -------------------------风骚的分割线-------------------------------
50. *  结果：
51. *  1   长春  1   901 1   1   2G  123
52. *  1   长春  1   901 1   3   3G  555
53. *  2   吉林  2   902 1   2   3G  333
54. *  3   四平  3   903 1   4   2G  777
55. *  4   松原  4   904 1   5   3G  666
56. */
57. public class MapSideJoinMain extends Configured implements Tool{
58. private static final Logger logger = LoggerFactory.getLogger(MapSideJoinMain.class);
59. public static class LeftOutJoinMapper extends Mapper {
60. private HashMap city_info = new HashMap();
61. private Text outPutKey = new Text();
62. private Text outPutValue = new Text();
63. private String mapInputStr = null;
64. private String mapInputSpit[] = null;
65. private String city_secondPart = null;
66. /**
67. * 此方法在每个task开始之前执行，这里主要用作从DistributedCache
68. * 中取到tb_dim_city文件，并将里边记录取出放到内存中。
69. */
70. @Override
71. protected void setup(Context context)
72. throws IOException, InterruptedException {
73. BufferedReader br = null;
74. //获得当前作业的DistributedCache相关文件
75. Path[] distributePaths = DistributedCache.getLocalCacheFiles(context.getConfiguration());
76. String cityInfo = null;
77. for(Path p : distributePaths){
78. if(p.toString().endsWith("tb_dim_city.dat")){
79. //读缓存文件，并放到mem中
80. br = new BufferedReader(new FileReader(p.toString()));
81. while(null!=(cityInfo=br.readLine())){
82. String[] cityPart = cityInfo.split("\\|",5);
83. if(cityPart.length ==5){
84. city_info.put(cityPart[0], cityPart[1]+"\t"+cityPart[2]+"\t"+cityPart[3]+"\t"+cityPart[4]);
85. }
86. }
87. }
88. }
89. }
90. /**
91. * Map端的实现相当简单，直接判断tb_user_profiles.dat中的
92. * cityID是否存在我的map中就ok了，这样就可以实现Map Join了
93. */
94. @Override
95. protected void map(Object key, Text value, Context context)
96. throws IOException, InterruptedException {
97. //排掉空行
98. if(value == null || value.toString().equals("")){
99. return;
100. }
101. mapInputStr = value.toString();
102. mapInputSpit = mapInputStr.split("\\|",4);
103. //过滤非法记录
104. if(mapInputSpit.length != 4){
105. return;
106. }
107. //判断链接字段是否在map中存在
108. city_secondPart = city_info.get(mapInputSpit[3]);
109. if(city_secondPart != null){
110. this.outPutKey.set(mapInputSpit[3]);
111. this.outPutValue.set(city_secondPart+"\t"+mapInputSpit[0]+"\t"+mapInputSpit[1]+"\t"+mapInputSpit[2]);
112. context.write(outPutKey, outPutValue);
113. }
114. }
115. }
116. @Override
117. public int run(String[] args) throws Exception {
118. Configuration conf=getConf(); //获得配置文件对象
119. DistributedCache.addCacheFile(new Path(args[1]).toUri(), conf);//为该job添加缓存文件
120. Job job=new Job(conf,"MapJoinMR");
121. job.setNumReduceTasks(0);
122. FileInputFormat.addInputPath(job, new Path(args[0])); //设置map输入文件路径
123. FileOutputFormat.setOutputPath(job, new Path(args[2])); //设置reduce输出文件路径
124. job.setJarByClass(MapSideJoinMain.class);
125. job.setMapperClass(LeftOutJoinMapper.class);
126. job.setInputFormatClass(TextInputFormat.class); //设置文件输入格式
127. job.setOutputFormatClass(TextOutputFormat.class);//使用默认的output格式
128. //设置map的输出key和value类型
129. job.setMapOutputKeyClass(Text.class);
130. //设置reduce的输出key和value类型
131. job.setOutputKeyClass(Text.class);
132. job.setOutputValueClass(Text.class);
133. job.waitForCompletion(true);
134. return job.isSuccessful()?0:1;
135. }
136. public static void main(String[] args) throws IOException,
137. ClassNotFoundException, InterruptedException {
138. try {
139. int returnCode =  ToolRunner.run(new MapSideJoinMain(),args);
140. System.exit(returnCode);
141. } catch (Exception e) {
142. // TODO Auto-generated catch block
143. logger.error(e.getMessage());
144. }
145. }
146. }

这里说说DistributedCache。DistributedCache是分布式缓存的一种实现，它在整个MapReduce框架中起着相当重要的作用，他可以支撑我们写一些相当复杂高效的分布式程序。说回到这里，JobTracker在作业启动之前会获取到DistributedCache的资源uri列表，并将对应的文件分发到各个涉及到该作业的任务的TaskTracker上。另外，关于DistributedCache和作业的关系，比如权限、存储路径区分、public和private等属性，接下来有用再整理研究一下写一篇blog，这里就不详细说了。

另外还有一种比较变态的Map Join方式，就是结合HBase来做Map Join操作。这种方式完全可以突破内存的控制，使你毫无忌惮的使用Map Join，而且效率也非常不错。

3、SemiJoin。

SemiJoin就是所谓的半连接，其实仔细一看就是reduce join的一个变种，就是在map端过滤掉一些数据，在网络中只传输参与连接的数据不参与连接的数据不必在网络中进行传输，从而减少了shuffle的网络传输量，使整体效率得到提高，其他思想和reduce join是一模一样的。说得更加接地气一点就是将小表中参与join的key单独抽出来通过DistributedCach分发到相关节点，然后将其取出放到内存中（可以放到HashSet中），在map阶段扫描连接表，将join key不在内存HashSet中的记录过滤掉，让那些参与join的记录通过shuffle传输到reduce端进行join操作，其他的和reduce
join都是一样的。看代码：

1. package com.mr.SemiJoin;
2. import java.io.BufferedReader;
3. import java.io.FileReader;
4. import java.io.IOException;
5. import java.util.ArrayList;
6. import java.util.HashSet;
7. import org.apache.hadoop.conf.Configuration;
8. import org.apache.hadoop.conf.Configured;
9. import org.apache.hadoop.filecache.DistributedCache;
10. import org.apache.hadoop.fs.Path;
11. import org.apache.hadoop.io.Text;
12. import org.apache.hadoop.mapreduce.Job;
13. import org.apache.hadoop.mapreduce.Mapper;
14. import org.apache.hadoop.mapreduce.Reducer;
15. import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
16. import org.apache.hadoop.mapreduce.lib.input.FileSplit;
17. import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
18. import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
19. import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
20. import org.apache.hadoop.util.Tool;
21. import org.apache.hadoop.util.ToolRunner;
22. import org.slf4j.Logger;
23. import org.slf4j.LoggerFactory;
24. /**
25. * @author zengzhaozheng
26. *
27. * 用途说明：
28. * reudce side join中的left outer join
29. * 左连接，两个文件分别代表2个表,连接字段table1的id字段和table2的cityID字段
30. * table1(左表):tb_dim_city(id int,name string,orderid int,city_code,is_show)
31. * tb_dim_city.dat文件内容,分隔符为"|"：
32. * id     name  orderid  city_code  is_show
33. * 0       其他        9999     9999         0
34. * 1       长春        1        901          1
35. * 2       吉林        2        902          1
36. * 3       四平        3        903          1
37. * 4       松原        4        904          1
38. * 5       通化        5        905          1
39. * 6       辽源        6        906          1
40. * 7       白城        7        907          1
41. * 8       白山        8        908          1
42. * 9       延吉        9        909          1
43. * -------------------------风骚的分割线-------------------------------
44. * table2(右表)：tb_user_profiles(userID int,userName string,network string,double flow,cityID int)
45. * tb_user_profiles.dat文件内容,分隔符为"|"：
46. * userID   network     flow    cityID
47. * 1           2G       123      1
48. * 2           3G       333      2
49. * 3           3G       555      1
50. * 4           2G       777      3
51. * 5           3G       666      4
52. * -------------------------风骚的分割线-------------------------------
53. * joinKey.dat内容：
54. * city_code
55. * 1
56. * 2
57. * 3
58. * 4
59. * -------------------------风骚的分割线-------------------------------
60. *  结果：
61. *  1   长春  1   901 1   1   2G  123
62. *  1   长春  1   901 1   3   3G  555
63. *  2   吉林  2   902 1   2   3G  333
64. *  3   四平  3   903 1   4   2G  777
65. *  4   松原  4   904 1   5   3G  666
66. */
67. public class SemiJoin extends Configured implements Tool{
68. private static final Logger logger = LoggerFactory.getLogger(SemiJoin.class);
69. public static class SemiJoinMapper extends Mapper {
70. private CombineValues combineValues = new CombineValues();
71. private HashSet joinKeySet = new HashSet();
72. private Text flag = new Text();
73. private Text joinKey = new Text();
74. private Text secondPart = new Text();
75. /**
76. * 将参加join的key从DistributedCache取出放到内存中，以便在map端将要参加join的key过滤出来。b
77. */
78. @Override
79. protected void setup(Context context)
80. throws IOException, InterruptedException {
81. BufferedReader br = null;
82. //获得当前作业的DistributedCache相关文件
83. Path[] distributePaths = DistributedCache.getLocalCacheFiles(context.getConfiguration());
84. String joinKeyStr = null;
85. for(Path p : distributePaths){
86. if(p.toString().endsWith("joinKey.dat")){
87. //读缓存文件，并放到mem中
88. br = new BufferedReader(new FileReader(p.toString()));
89. while(null!=(joinKeyStr=br.readLine())){
90. joinKeySet.add(joinKeyStr);
91. }
92. }
93. }
94. }
95. @Override
96. protected void map(Object key, Text value, Context context)
97. throws IOException, InterruptedException {
98. //获得文件输入路径
99. String pathName = ((FileSplit) context.getInputSplit()).getPath().toString();
100. //数据来自tb_dim_city.dat文件,标志即为"0"
101. if(pathName.endsWith("tb_dim_city.dat")){
102. String[] valueItems = value.toString().split("\\|");
103. //过滤格式错误的记录
104. if(valueItems.length != 5){
105. return;
106. }
107. //过滤掉不需要参加join的记录
108. if(joinKeySet.contains(valueItems[0])){
109. flag.set("0");
110. joinKey.set(valueItems[0]);
111. secondPart.set(valueItems[1]+"\t"+valueItems[2]+"\t"+valueItems[3]+"\t"+valueItems[4]);
112. combineValues.setFlag(flag);
113. combineValues.setJoinKey(joinKey);
114. combineValues.setSecondPart(secondPart);
115. context.write(combineValues.getJoinKey(), combineValues);
116. }else{
117. return ;
118. }
119. }//数据来自于tb_user_profiles.dat，标志即为"1"
120. else if(pathName.endsWith("tb_user_profiles.dat")){
121. String[] valueItems = value.toString().split("\\|");
122. //过滤格式错误的记录
123. if(valueItems.length != 4){
124. return;
125. }
126. //过滤掉不需要参加join的记录
127. if(joinKeySet.contains(valueItems[3])){
128. flag.set("1");
129. joinKey.set(valueItems[3]);
130. secondPart.set(valueItems[0]+"\t"+valueItems[1]+"\t"+valueItems[2]);
131. combineValues.setFlag(flag);
132. combineValues.setJoinKey(joinKey);
133. combineValues.setSecondPart(secondPart);
134. context.write(combineValues.getJoinKey(), combineValues);
135. }else{
136. return ;
137. }
138. }
139. }
140. }
141. public static class SemiJoinReducer extends Reducer {
142. //存储一个分组中的左表信息
143. private ArrayList leftTable = new ArrayList();
144. //存储一个分组中的右表信息
145. private ArrayList rightTable = new ArrayList();
146. private Text secondPar = null;
147. private Text output = new Text();
148. /**
149. * 一个分组调用一次reduce函数
150. */
151. @Override
152. protected void reduce(Text key, Iterable value, Context context)
153. throws IOException, InterruptedException {
154. leftTable.clear();
155. rightTable.clear();
156. /**
157. * 将分组中的元素按照文件分别进行存放
158. * 这种方法要注意的问题：
159. * 如果一个分组内的元素太多的话，可能会导致在reduce阶段出现OOM，
160. * 在处理分布式问题之前最好先了解数据的分布情况，根据不同的分布采取最
161. * 适当的处理方法，这样可以有效的防止导致OOM和数据过度倾斜问题。
162. */
163. for(CombineValues cv : value){
164. secondPar = new Text(cv.getSecondPart().toString());
165. //左表tb_dim_city
166. if("0".equals(cv.getFlag().toString().trim())){
167. leftTable.add(secondPar);
168. }
169. //右表tb_user_profiles
170. else if("1".equals(cv.getFlag().toString().trim())){
171. rightTable.add(secondPar);
172. }
173. }
174. logger.info("tb_dim_city:"+leftTable.toString());
175. logger.info("tb_user_profiles:"+rightTable.toString());
176. for(Text leftPart : leftTable){
177. for(Text rightPart : rightTable){
178. output.set(leftPart+ "\t" + rightPart);
179. context.write(key, output);
180. }
181. }
182. }
183. }
184. @Override
185. public int run(String[] args) throws Exception {
186. Configuration conf=getConf(); //获得配置文件对象
187. DistributedCache.addCacheFile(new Path(args[2]).toUri(), conf);
188. Job job=new Job(conf,"LeftOutJoinMR");
189. job.setJarByClass(SemiJoin.class);
190. FileInputFormat.addInputPath(job, new Path(args[0])); //设置map输入文件路径
191. FileOutputFormat.setOutputPath(job, new Path(args[1])); //设置reduce输出文件路径
192. job.setMapperClass(SemiJoinMapper.class);
193. job.setReducerClass(SemiJoinReducer.class);
194. job.setInputFormatClass(TextInputFormat.class); //设置文件输入格式
195. job.setOutputFormatClass(TextOutputFormat.class);//使用默认的output格式
196. //设置map的输出key和value类型
197. job.setMapOutputKeyClass(Text.class);
198. job.setMapOutputValueClass(CombineValues.class);
199. //设置reduce的输出key和value类型
200. job.setOutputKeyClass(Text.class);
201. job.setOutputValueClass(Text.class);
202. job.waitForCompletion(true);
203. return job.isSuccessful()?0:1;
204. }
205. public static void main(String[] args) throws IOException,
206. ClassNotFoundException, InterruptedException {
207. try {
208. int returnCode =  ToolRunner.run(new SemiJoin(),args);
209. System.exit(returnCode);
210. } catch (Exception e) {
211. logger.error(e.getMessage());
212. }
213. }
214. }

这里还说说SemiJoin也是有一定的适用范围的，其抽取出来进行join的key是要放到内存中的，所以不能够太大，容易在Map端造成OOM。

总结

blog介绍了三种join方式。这三种join方式适用于不同的场景，其处理效率上的相差还是蛮大的，其中主要导致因素是网络传输。Map join效率最高，其次是SemiJoin，最低的是reduce join。另外，写分布式大数据处理程序的时最好要对整体要处理的数据分布情况作一个了解，这可以提高我们代码的效率，使数据的倾斜度降到最低，使我们的代码倾向性更好。