hadoop 多表join：Map side join及Reduce side join范例详解大数据

  最近在准备抽取数据的工作。有一个id集合200多M，要从另一个500GB的数据集合中抽取出所有id集合中包含的数据集。id数据集合中每一个行就是一个id的字符串（Reduce side join要在每行的行尾加“,”号，而Map side join不必，如果加了也可以处理掉），类似，500GB的数据集合中每一行是某一id对应的全记录，用“,”号分隔。

  为什么不在hive或者pig下面搞这个操作呢？主要是因为Hive配置了Kerberos认证之后，还有一个问题没有解决，包含metastore的主机无法从namenode主机获取票据，所以就暂时放一放吧。用MapReduce来搞吧。在Hive下比较方便，但在MapReduce中实现就比较麻烦。

  在传统数据库（如：MySql）中，JOIN操作常常是非常耗时的。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。下面分别介绍MapReduce中的几种常见join，比如有最常见的 map side join，reduce side join，semi join（这些在Hive中都有） 等。Map side join在处理多个小表关联大表时非常有用，而 reduce join 在处理多表关联时是比较麻烦的，会造成大量的网络IO，效率低下，但在有些时候也是非常有用的。

2. 常见的join方法介绍 2.1 map side join

  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须   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。

 

package com.unionpayadvisors; 

import java.io.BufferedReader; 

import java.io.FileReader; 

import java.io.IOException; 

import java.util.HashSet; 

import java.util.Set; 

import org.apache.hadoop.conf.Configuration; 

import org.apache.hadoop.conf.Configured; 

import org.apache.hadoop.filecache.DistributedCache; 

import org.apache.hadoop.fs.Path; 

import org.apache.hadoop.io.LongWritable; 

import org.apache.hadoop.io.NullWritable; 

import org.apache.hadoop.io.Text; 

import org.apache.hadoop.mapreduce.Job; 

import org.apache.hadoop.mapreduce.Mapper; 

import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 

import org.apache.hadoop.mapreduce.lib.input.TextInputFormat; 

import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 

import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat; 

import org.apache.hadoop.util.GenericOptionsParser; 

import org.apache.hadoop.util.Tool; 

import org.apache.hadoop.util.ToolRunner; 

import org.hsqldb.lib.StringUtil; 

import redis.clients.jedis.Jedis; 

import redis.clients.jedis.JedisPool; 

public class AccountTableJoin extends Configured implements Tool { 

 private static WriteLog log = WriteLog.getInstance(); 


 public static class MapClass extends 

 Mapper LongWritable, Text, Text, NullWritable { 

 // 用于缓存 user_account 中的数据 

 private Set String accountSet = new HashSet String (); 

 private Text accKey = new Text(); 

 private NullWritable nullValue = NullWritable.get(); 

 private String[] kv; 

 private Jedis jedis = new JedisPool("192.168.2.101", 6379).getResource(); 

 // 此方法会在map方法执行之前执行 

 // @Override 

 protected void setup(Context context) throws 

 IOException,InterruptedException { 

 BufferedReader in = null; 

 try { 

 // 从当前作业中获取要缓存的文件 

 Path[] paths = DistributedCache.getLocalCacheFiles(context 

 .getConfiguration()); 

 String accountLine = null; 

 for (Path path : paths) { 

 if (path.toString().contains("account")) { 

 in = new BufferedReader(new FileReader(path.toString())); 

 while (null != (accountLine = in.readLine())) { 

 log.logger("AccountTableJoin", 

 "accountSet="+parseRaw(accountLine.split(",", -1)[0])); 

 accountSet.add(parseRaw(accountLine.split(",", -1)[0])); 


 //map join: 在map阶段过滤掉不需要的数据 

 if(kv.length==4 accountSet.contains(parseRaw(kv[0]))){ 

 accKey.set(value); 

 context.write(accKey, nullValue); 


 job.setInputFormatClass(TextInputFormat.class); 

 job.setOutputFormatClass(TextOutputFormat.class); 

 job.setOutputKeyClass(Text.class); 

 job.setOutputValueClass(NullWritable.class); 

 String[] otherArgs = new GenericOptionsParser(job.getConfiguration(), 

 args).getRemainingArgs(); 

 FileInputFormat.addInputPath(job, new Path(otherArgs[0])); 

 FileOutputFormat.setOutputPath(job, new Path(otherArgs[1])); 

 return job.waitForCompletion(true) ? 0 : 1; 

 public static void main(String[] args) throws Exception { 

 int res = ToolRunner.run(new Configuration(), new AccountTableJoin(), 

 args); 

 System.exit(res); 

 * hadoop jar AccountTableJoin.jar AccountTableJoin 

 * /user/he/sample_account.del /user/he/SAMPLE_SUM_2012070809101112.del 

 * /user/he/ACCOUNT_JOIN_RESULT 

}

WriteLog代码：

package com.unionpayadvisors; 

import java.io.File; 

import java.io.FileNotFoundException; 

import java.io.FileOutputStream; 

import java.io.PrintWriter; 

import java.util.Calendar; 

public class WriteLog { 

/**写日志 br 

* 写logString字符串到./log目录下的文件中 

* @param logString 日志字符串 

* @author tower 

 private static WriteLog instance = null; 

 private WriteLog(){}; 

 public static WriteLog getInstance() { 

 if( instance == null ) { 

 instance = new WriteLog(); 

 return instance; 

public void logger(String fileNameHead,String logString) { 

 try { 

 String logFilePathName=null; 

 Calendar cd = Calendar.getInstance();//日志文件时间 

 int year=cd.get(Calendar.YEAR); 

 String month=addZero(cd.get(Calendar.MONTH)+1); 

 String day=addZero(cd.get(Calendar.DAY_OF_MONTH)); 

 String hour=addZero(cd.get(Calendar.HOUR_OF_DAY)); 

 String min=addZero(cd.get(Calendar.MINUTE)); 

 String sec=addZero(cd.get(Calendar.SECOND)); 


 File fileParentDir=new File("./log");//判断log目录是否存在 

 if (!fileParentDir.exists()) { 

 fileParentDir.mkdir(); 

 if (fileNameHead==null||fileNameHead.equals("")) { 

 logFilePathName="./log/"+year+month+day+hour+".log";//日志文件名 

 }else { 

 logFilePathName="./log/"+fileNameHead+year+month+day+hour+".log";//日志文件名 

 PrintWriter printWriter=new PrintWriter(new FileOutputStream(logFilePathName, true));//紧接文件尾写入日志字符串 

 String time="["+year+month+day+"-"+hour+":"+min+":"+sec+"] "; 

 printWriter.println(time+logString); 

 printWriter.flush(); 

 } catch (FileNotFoundException e) { 

 // TODO Auto-generated catch block 

 e.getMessage(); 

/**整数i小于10则前面补0 

* @param i 

* @return 

* @author tower 

public static String addZero(int i) { 

 if (i 10) { 

 String tmpString="0"+i; 

 return tmpString; 

 else { 

 return String.valueOf(i); 

}

 

2.2 reduce side join

 reduce side join是一种最简单的join方式， 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。

  假设要进行join的数据分别来自File1和File2.

  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。

代码如下（需要再次修改）：

package com.unionpayadvisors; 

import java.io.BufferedReader; 

import java.io.FileReader; 

import java.io.IOException; 

import java.util.HashSet; 

import java.util.Set; 

import org.apache.hadoop.conf.Configuration; 

import org.apache.hadoop.conf.Configured; 

import org.apache.hadoop.filecache.DistributedCache; 

import org.apache.hadoop.fs.Path; 

import org.apache.hadoop.io.LongWritable; 

import org.apache.hadoop.io.NullWritable; 

import org.apache.hadoop.io.Text; 

import org.apache.hadoop.mapreduce.Job; 

import org.apache.hadoop.mapreduce.Mapper; 

import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 

import org.apache.hadoop.mapreduce.lib.input.TextInputFormat; 

import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 

import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat; 

import org.apache.hadoop.util.GenericOptionsParser; 

import org.apache.hadoop.util.Tool; 

import org.apache.hadoop.util.ToolRunner; 

import org.hsqldb.lib.StringUtil; 

import redis.clients.jedis.Jedis; 

import redis.clients.jedis.JedisPool; 

public class AccountTableJoin extends Configured implements Tool { 

 private static WriteLog log = WriteLog.getInstance(); 


 public static class MapClass extends 

 Mapper LongWritable, Text, Text, NullWritable { 

 // 用于缓存 user_account 中的数据 

 private Set String accountSet = new HashSet String (); 

 private Text accKey = new Text(); 

 private NullWritable nullValue = NullWritable.get(); 

 private String[] kv; 

 private Jedis jedis = new JedisPool("192.168.2.101", 6379).getResource(); 

 // 此方法会在map方法执行之前执行 

 // @Override 

 protected void setup(Context context) throws 

 IOException,InterruptedException { 

 BufferedReader in = null; 

 try { 

 // 从当前作业中获取要缓存的文件 

 Path[] paths = DistributedCache.getLocalCacheFiles(context 

 .getConfiguration()); 

 String accountLine = null; 

 for (Path path : paths) { 

 if (path.toString().contains("account")) { 

 in = new BufferedReader(new FileReader(path.toString())); 

 while (null != (accountLine = in.readLine())) { 

 log.logger("AccountTableJoin", 

 "accountSet="+parseRaw(accountLine.split(",", -1)[0])); 

 accountSet.add(parseRaw(accountLine.split(",", -1)[0])); 


 //map join: 在map阶段过滤掉不需要的数据 

 if(kv.length==4 accountSet.contains(parseRaw(kv[0]))){ 

 accKey.set(value); 

 context.write(accKey, nullValue); 

// log.logger("XXXXXXXXX", "length!" + kv.length); 

// if (kv.length == 53) { 

// context.write(new Text(String.valueOf(parseRaw(kv[53 - 1])+":"+jedis.exists(parseRaw(kv[53 - 1])))), nullValue); 

// log.logger("XXXXXXXXX", "Jedis!" + parseRaw(kv[53 - 1])); 

// if (jedis.exists(parseRaw(kv[53 - 1]))) { 

// log.logger("XXXXXXXXX", "jedis.exists" 

// + jedis.exists(parseRaw(kv[53 - 1]))); 

// accKey.set(value); 

// context.write(accKey, nullValue); 

// } 


 job.setInputFormatClass(TextInputFormat.class); 

 job.setOutputFormatClass(TextOutputFormat.class); 

 job.setOutputKeyClass(Text.class); 

 job.setOutputValueClass(NullWritable.class); 

 String[] otherArgs = new GenericOptionsParser(job.getConfiguration(), 

 args).getRemainingArgs(); 

 FileInputFormat.addInputPath(job, new Path(otherArgs[0])); 

 FileOutputFormat.setOutputPath(job, new Path(otherArgs[1])); 

 return job.waitForCompletion(true) ? 0 : 1; 

 public static void main(String[] args) throws Exception { 

 log.logger("XXXXXXXXX", "begin connection Jedis!"); 

 // jedis=jedisPool.getResource(); 

// log.logger("XXXXXXXXX", "find /"7a5abdf04ce2350424907bf234d8ac80/"" 

// + jedis.get("7a5abdf04ce2350424907bf234d8ac80")); 

// log.logger("XXXXXXXXX", "exsit /"7a5abdf04ce2350424907bf234d8ac80/"" 

// + jedis.exists("7a5abdf04ce2350424907bf234d8ac80")); 

 int res = ToolRunner.run(new Configuration(), new AccountTableJoin(), 

 args); 

 // jedisPool.returnResource(jedis); 

 // jedisPool.destroy(); 

 log.logger("XXXXXXXXX", "connection Jedis end!"); 

 System.exit(res); 

 * hadoop jar AccountTableJoin.jar AccountTableJoin 

 * /user/he/sample_account.del /user/he/SAMPLE_SUM_2012070809101112.del 

 * /user/he/ACCOUNT_JOIN_RESULT 

}

 

  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reducee   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。

Hadoop面试的时候也会问到 Hadoop上Join的实现，几乎是一道必问的问题，而极个别公司还会涉及到DistributedCache原理以及怎样利用DistributedCache进行Join操作。

 

原创文章，作者：ItWorker，如若转载，请注明出处：https://blog.ytso.com/9801.html

分布式文件系统，分布式数据库区块链并行处理（MPP）数据库，数据挖掘开源大数据平台数据中台数据分析数据开发数据治理数据湖数据采集