hadoop MapReduce 三种连接

为了实现内连接和外连接，MapReduce中有三种连接策略，如下所示。这三种连接策略有的在map阶段，有的在reduce阶段。它们都针对MapReduce的排序-合并（sort-merge）的架构进行了优化。

重分区连接（Repartition join）——reduce端连接。使用场景：连接两个或多个大型数据集。
复制连接（Replication join）——map端连接。使用场景：待连接的数据集中有一个数据集小到可以完全放在缓存中。
半连接（Semi-join）——另一个map端连接。使用场景：待连接的数据集中有一个数据集非常大，但同时这个数据集可以被过滤成小到可以放在内存中。
数据模型：

tb_dim_city.dat

0|其他|9999|9999|0
1|长春|1|901|1
2|吉林|2|902|1
3|四平|3|903|1
4|松原|4|904|1
5|通化|5|905|1
6|辽源|6|906|1
7|白城|7|907|1
8|白山|8|908|1

tb_user_profiles.dat

1|2G|123|1
2|3G|333|2
3|3G|555|1
4|2G|777|3
5|3G|666|4

reduce端连接:

package com.mr.reduceSideJoin;

import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;

import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.WritableComparable;

public class CombineValues implements WritableComparable<CombineValues> {
private Text joinKey;// 链接关键字
private Text flag;// 文件来源标志
private Text secondPart;// 除了链接键外的其他部分

public void setJoinKey(Text joinKey) {
this.joinKey = joinKey;
}

public void setFlag(Text flag) {
this.flag = flag;
}

public void setSecondPart(Text secondPart) {
this.secondPart = secondPart;
}

public Text getFlag() {
return flag;
}

public Text getSecondPart() {
return secondPart;
}

public Text getJoinKey() {
return joinKey;
}

public CombineValues() {
this.joinKey = new Text();
this.flag = new Text();
this.secondPart = new Text();
}

@Override
public void write(DataOutput out) throws IOException {
this.joinKey.write(out);
this.flag.write(out);
this.secondPart.write(out);
}

@Override
public void readFields(DataInput in) throws IOException {
this.joinKey.readFields(in);
this.flag.readFields(in);
this.secondPart.readFields(in);
}

@Override
public int compareTo(CombineValues o) {
return this.joinKey.compareTo(o.getJoinKey());
}

@Override
public String toString() {
// TODO Auto-generated method stub
return "[flag=" + this.flag.toString() + ",joinKey="
+ this.joinKey.toString() + ",secondPart="
+ this.secondPart.toString() + "]";
}
}

package com.mr.reduceSideJoin;

import java.io.IOException;
import java.util.ArrayList;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
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.input.FileSplit;
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.Tool;
import org.apache.hadoop.util.ToolRunner;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;

public class ReduceSideJoin_LeftOuterJoin extends Configured implements Tool {
private static final Logger logger = LoggerFactory
.getLogger(ReduceSideJoin_LeftOuterJoin.class);

public static class LeftOutJoinMapper extends
Mapper<Object, Text, Text, CombineValues> {
private CombineValues combineValues = new CombineValues();
private Text flag = new Text();
private Text joinKey = new Text();
private Text secondPart = new Text();

@Override
protected void map(Object key, Text value, Context context)
throws IOException, InterruptedException {
// 获得文件输入路径
String pathName = ((FileSplit) context.getInputSplit()).getPath()
.toString();
// 数据来自tb_dim_city.dat文件,标志即为"0"
if (pathName.endsWith("tb_dim_city.dat")) {
String[] valueItems = value.toString().split("\\|");
// 过滤格式错误的记录
if (valueItems.length != 5) {
return;
}
flag.set("0");
joinKey.set(valueItems[0]);
secondPart.set(valueItems[1] + "\t" + valueItems[2] + "\t"
+ valueItems[3] + "\t" + valueItems[4]);
combineValues.setFlag(flag);
combineValues.setJoinKey(joinKey);
combineValues.setSecondPart(secondPart);
context.write(combineValues.getJoinKey(), combineValues);

}// 数据来自于tb_user_profiles.dat，标志即为"1"
else if (pathName.endsWith("tb_user_profiles.dat")) {
String[] valueItems = value.toString().split("\\|");
// 过滤格式错误的记录
if (valueItems.length != 4) {
return;
}
flag.set("1");
joinKey.set(valueItems[3]);
secondPart.set(valueItems[0] + "\t" + valueItems[1] + "\t"
+ valueItems[2]);
combineValues.setFlag(flag);
combineValues.setJoinKey(joinKey);
combineValues.setSecondPart(secondPart);
context.write(combineValues.getJoinKey(), combineValues);
}
}
}

public static class LeftOutJoinReducer extends
Reducer<Text, CombineValues, Text, Text> {
// 存储一个分组中的左表信息
private ArrayList<Text> leftTable = new ArrayList<Text>();
// 存储一个分组中的右表信息
private ArrayList<Text> rightTable = new ArrayList<Text>();
private Text secondPar = null;
private Text output = new Text();

/**
* 一个分组调用一次reduce函数;相同key的数据进了同一个reduce，这样就实现了join。
*/
@Override
protected void reduce(Text key, Iterable<CombineValues> value,
Context context) throws IOException, InterruptedException {
leftTable.clear();
rightTable.clear();
/**
* 将分组中的元素按照文件分别进行存放 这种方法要注意的问题： 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，
* 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
* 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。
*/
for (CombineValues cv : value) {
secondPar = new Text(cv.getSecondPart().toString());
// 左表tb_dim_city
if ("0".equals(cv.getFlag().toString().trim())) {
leftTable.add(secondPar);
}
// 右表tb_user_profiles
else if ("1".equals(cv.getFlag().toString().trim())) {
rightTable.add(secondPar);
}
}
logger.info("tb_dim_city:" + leftTable.toString());
logger.info("tb_user_profiles:" + rightTable.toString());
// 这里体现了左连接
for (Text leftPart : leftTable) {
for (Text rightPart : rightTable) {
output.set(leftPart + "\t" + rightPart);
// leftTable中有数据 rightTable中没有数据 就无法进到这一步
// rightTable中有数据 leftTable中没有数据 外面的循环就进不去
context.write(key, output);
}
}
}
}

@Override
public int run(String[] args) throws Exception {
Configuration conf = getConf(); // 获得配置文件对象
Job job = new Job(conf, "LeftOutJoinMR");
job.setJarByClass(ReduceSideJoin_LeftOuterJoin.class);

FileInputFormat.addInputPath(job, new Path(args[0])); // 设置map输入文件路径
FileOutputFormat.setOutputPath(job, new Path(args[1])); // 设置reduce输出文件路径

job.setMapperClass(LeftOutJoinMapper.class);
job.setReducerClass(LeftOutJoinReducer.class);

job.setInputFormatClass(TextInputFormat.class); // 设置文件输入格式
job.setOutputFormatClass(TextOutputFormat.class);// 使用默认的output格式

// 设置map的输出key和value类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(CombineValues.class);

// 设置reduce的输出key和value类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(Text.class);
job.waitForCompletion(true);
return job.isSuccessful() ? 0 : 1;
}

public static void main(String[] args) throws IOException,
ClassNotFoundException, InterruptedException {
try {
Tool rdf = new ReduceSideJoin_LeftOuterJoin();
int returnCode = ToolRunner.run(rdf, args);
System.exit(returnCode);
} catch (Exception e) {
System.out.println(e.getMessage());
}
}
}

Map端的连接

package com.mr.mapSideJoin;

import java.io.BufferedReader;
import java.io.FileReader;
import java.io.IOException;
import java.util.HashMap;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
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.filecache.DistributedCache;
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.Tool;
import org.apache.hadoop.util.ToolRunner;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;

public class MapSideJoinMain extends Configured implements Tool {
private static final Logger logger = LoggerFactory
.getLogger(MapSideJoinMain.class);

public static class LeftOutJoinMapper extends
Mapper<Object, Text, Text, Text> {

private HashMap<String, String> city_info = new HashMap<String, String>();
private Text outPutKey = new Text();
private Text outPutValue = new Text();
private String mapInputStr = null;
private String mapInputSpit[] = null;
private String city_secondPart = null;

/**
* 此方法在每个task开始之前执行，这里主要用作从DistributedCache
* 中取到tb_dim_city文件，并将里边记录取出放到内存中。
*/
@Override
protected void setup(Context context) throws IOException,
InterruptedException {
BufferedReader br = null;
// 获得当前作业的DistributedCache相关文件
Path[] distributePaths = DistributedCache
.getLocalCacheFiles(context.getConfiguration());
String cityInfo = null;
for (Path p : distributePaths) {
if (p.toString().endsWith("tb_dim_city.dat")) {
// 读缓存文件，并放到mem中
br = new BufferedReader(new FileReader(p.toString()));
while (null != (cityInfo = br.readLine())) {
String[] cityPart = cityInfo.split("\\|", 5);
if (cityPart.length == 5) {
city_info.put(cityPart[0], cityPart[1] + "\t"
+ cityPart[2] + "\t" + cityPart[3] + "\t"
+ cityPart[4]);
}
}
}
}
}

/**
* Map端的实现相当简单，直接判断tb_user_profiles.dat中的
* cityID是否存在我的map中就ok了，这样就可以实现Map Join了
*/
@Override
protected void map(Object key, Text value, Context context)
throws IOException, InterruptedException {
// 排掉空行
if (value == null || value.toString().equals("")) {
return;
}
mapInputStr = value.toString();
mapInputSpit = mapInputStr.split("\\|", 4);
// 过滤非法记录
if (mapInputSpit.length != 4) {
return;
}
// 判断链接字段是否在map中存在
city_secondPart = city_info.get(mapInputSpit[3]);
if (city_secondPart != null) {
this.outPutKey.set(mapInputSpit[3]);
this.outPutValue.set(city_secondPart + "\t" + mapInputSpit[0]
+ "\t" + mapInputSpit[1] + "\t" + mapInputSpit[2]);
context.write(outPutKey, outPutValue);
}
}
}

@Override
public int run(String[] args) throws Exception {
Configuration conf = getConf(); // 获得配置文件对象
DistributedCache.addCacheFile(new Path(args[0]).toUri(), conf);// 为该job添加缓存文件
Job job = new Job(conf, "MapJoinMR");
job.setNumReduceTasks(0);

FileInputFormat.addInputPath(job, new Path(args[0])); // 设置map输入文件路径
FileOutputFormat.setOutputPath(job, new Path(args[1])); // 设置reduce输出文件路径

job.setJarByClass(MapSideJoinMain.class);
job.setMapperClass(LeftOutJoinMapper.class);

job.setInputFormatClass(TextInputFormat.class); // 设置文件输入格式
job.setOutputFormatClass(TextOutputFormat.class);// 使用默认的output格式

// 设置map的输出key和value类型
job.setMapOutputKeyClass(Text.class);

// 设置reduce的输出key和value类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(Text.class);
job.waitForCompletion(true);
return job.isSuccessful() ? 0 : 1;
}

public static void main(String[] args) throws IOException,
ClassNotFoundException, InterruptedException {
try {
int returnCode = ToolRunner.run(new MapSideJoinMain(), args);
System.exit(returnCode);
} catch (Exception e) {
// TODO Auto-generated catch block
logger.error(e.getMessage());
}
}
}

Semi连接

package com.mr.SemiJoin;

import java.io.BufferedReader;
import java.io.FileReader;
import java.io.IOException;
import java.util.ArrayList;
import java.util.HashSet;

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.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.input.FileSplit;
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.Tool;
import org.apache.hadoop.util.ToolRunner;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;

import com.mr.reduceSideJoin.CombineValues;

public class SemiJoin extends Configured implements Tool {
private static final Logger logger = LoggerFactory
.getLogger(SemiJoin.class);

public static class SemiJoinMapper extends
Mapper<Object, Text, Text, CombineValues> {
private CombineValues combineValues = new CombineValues();
private HashSet<String> joinKeySet = new HashSet<String>();
private Text flag = new Text();
private Text joinKey = new Text();
private Text secondPart = new Text();

/**
* 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
*/
@Override
protected void setup(Context context) throws IOException,
InterruptedException {
BufferedReader br = null;
// 获得当前作业的DistributedCache相关文件
Path[] distributePaths = DistributedCache
.getLocalCacheFiles(context.getConfiguration());
String joinKeyStr = null;
for (Path p : distributePaths) {
if (p.toString().endsWith("joinKey.dat")) {
// 读缓存文件，并放到mem中
br = new BufferedReader(new FileReader(p.toString()));
while (null != (joinKeyStr = br.readLine())) {
joinKeySet.add(joinKeyStr);
}
}
}
}

@Override
protected void map(Object key, Text value, Context context)
throws IOException, InterruptedException {
// 获得文件输入路径
String pathName = ((FileSplit) context.getInputSplit()).getPath()
.toString();
// 数据来自tb_dim_city.dat文件,标志即为"0"
if (pathName.endsWith("tb_dim_city.dat")) {
String[] valueItems = value.toString().split("\\|");
// 过滤格式错误的记录
if (valueItems.length != 5) {
return;
}
// 过滤掉不需要参加join的记录
if (joinKeySet.contains(valueItems[0])) {
flag.set("0");
joinKey.set(valueItems[0]);
secondPart.set(valueItems[1] + "\t" + valueItems[2] + "\t"
+ valueItems[3] + "\t" + valueItems[4]);
combineValues.setFlag(flag);
combineValues.setJoinKey(joinKey);
combineValues.setSecondPart(secondPart);
context.write(combineValues.getJoinKey(), combineValues);
} else {
return;
}
}// 数据来自于tb_user_profiles.dat，标志即为"1"
else if (pathName.endsWith("tb_user_profiles.dat")) {
String[] valueItems = value.toString().split("\\|");
// 过滤格式错误的记录
if (valueItems.length != 4) {
return;
}
// 过滤掉不需要参加join的记录
if (joinKeySet.contains(valueItems[3])) {
flag.set("1");
joinKey.set(valueItems[3]);
secondPart.set(valueItems[0] + "\t" + valueItems[1] + "\t"
+ valueItems[2]);
combineValues.setFlag(flag);
combineValues.setJoinKey(joinKey);
combineValues.setSecondPart(secondPart);
context.write(combineValues.getJoinKey(), combineValues);
} else {
return;
}
}
}
}

public static class SemiJoinReducer extends
Reducer<Text, CombineValues, Text, Text> {
// 存储一个分组中的左表信息
private ArrayList<Text> leftTable = new ArrayList<Text>();
// 存储一个分组中的右表信息
private ArrayList<Text> rightTable = new ArrayList<Text>();
private Text secondPar = null;
private Text output = new Text();

/**
* 一个分组调用一次reduce函数
*/
@Override
protected void reduce(Text key, Iterable<CombineValues> value,
Context context) throws IOException, InterruptedException {
leftTable.clear();
rightTable.clear();
/**
* 将分组中的元素按照文件分别进行存放 这种方法要注意的问题： 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，
* 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
* 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。
*/
for (CombineValues cv : value) {
secondPar = new Text(cv.getSecondPart().toString());
// 左表tb_dim_city
if ("0".equals(cv.getFlag().toString().trim())) {
leftTable.add(secondPar);
}
// 右表tb_user_profiles
else if ("1".equals(cv.getFlag().toString().trim())) {
rightTable.add(secondPar);
}
}
logger.info("tb_dim_city:" + leftTable.toString());
logger.info("tb_user_profiles:" + rightTable.toString());
for (Text leftPart : leftTable) {
for (Text rightPart : rightTable) {
output.set(leftPart + "\t" + rightPart);
context.write(key, output);
}
}
}
}

@Override
public int run(String[] args) throws Exception {
Configuration conf = getConf(); // 获得配置文件对象
DistributedCache.addCacheFile(new Path(args[2]).toUri(), conf);

Job job = new Job(conf, "LeftOutJoinMR");
job.setJarByClass(SemiJoin.class);

FileInputFormat.addInputPath(job, new Path(args[0])); // 设置map输入文件路径
FileOutputFormat.setOutputPath(job, new Path(args[1])); // 设置reduce输出文件路径

job.setMapperClass(SemiJoinMapper.class);
job.setReducerClass(SemiJoinReducer.class);

job.setInputFormatClass(TextInputFormat.class); // 设置文件输入格式
job.setOutputFormatClass(TextOutputFormat.class);// 使用默认的output格式

// 设置map的输出key和value类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(CombineValues.class);

// 设置reduce的输出key和value类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(Text.class);
job.waitForCompletion(true);
return job.isSuccessful() ? 0 : 1;
}

public static void main(String[] args) throws IOException,
ClassNotFoundException, InterruptedException {
try {
int returnCode = ToolRunner.run(new SemiJoin(), args);
System.exit(returnCode);
} catch (Exception e) {
logger.error(e.getMessage());
}
}
}

注意事项：
只有reduce连接实例能在eclipse中运行，另外两个必须打成JAR包放到hadoop上去运行。

参考： http://zengzhaozheng.blog.51cto.com/8219051/1392961