MapReduce程序之实现单表关联

设计思路

分析这个实例，显然需要进行单表连接，连接的是左表的parent列和右表的child列，且左表和右表是同一个表。

　　连接结果中除去连接的两列就是所需要的结果——"grandchild--grandparent"表。要用MapReduce解决这个实例，首先应该考虑如何实现表的自连接；其次就是连接列的设置；最后是结果的整理。

考虑到MapReduce的shuffle过程会将相同的key会连接在一起，所以可以将map结果的key设置成待连接的列，然后列中相同的值就自然会连接在一起了。再与最开始的分析联系起来：

　　要连接的是左表的parent列和右表的child列，且左表和右表是同一个表，所以在map阶段将读入数据分割成child和parent之后，会将parent设置成key，child设置成value进行输出，并作为左表；再将同一对child和parent中的child设置成key，parent设置成value进行输出，作为右表。为了区分输出中的左右表，需要在输出的value中再加上左右表的信息，比如在value的String最开始处加上字符1表示左表，加上字符2表示右表。这样在map的结果中就形成了左表和右表，然后在shuffle过程中完成连接。reduce接收到连接的结果，其中每个key的value-list就包含了"grandchild--grandparent"关系。取出每个key的value-list进行解析，将左表中的child放入一个数组，右表中的parent放入一个数组，然后对两个数组求笛卡尔积就是最后的结果了

程序代码

import java.io.IOException;
import java.util.*;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
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;

public class STjoin
{

public static int time =
0;
/*

* map将输出分割child和parent，然后正序输出一次作为右表，

* 反序输出一次作为左表，需要注意的是在输出的value中必须

* 加上左右表的区别标识。

*/
public static class Map extends Mapper<Object,
Text, Text, Text> {

// 实现map函数
public void map(Object
key, Text value, Context context)
throws IOException,
InterruptedException {
String
line=value.toString();
String[] strs= line.split("\t");
context.write(new Text(strs[1]),new Text("1+"+strs[0]));//输出左表
context.write(new Text(strs[0]),new Text("2+"+strs[1]));//输出右表
}
}
}

public static class Reduce extends Reducer<Text,
Text, Text, Text> {

// 实现reduce函数
public void reduce(Text
key, Iterable<Text> values, Context context)
throws IOException,
InterruptedException {

// 输出表头
if (0
== time) {
context.write(new Text("grandchild"), new Text("grandparent"));
time++;
}
String[] grandchild = null;

int grandchildnum = 0;

String[] grandparent =
null;

int grandparentnum = 0;

Iterator iter = values.iterator();

while (iter.hasNext()) {

String record = ite.next().toString();

String[] st=record.split("+");

if(st[0]==1){

grandchild[grandchildnum ] =st[1];

grandchildnum ++;

} else if(st[0]==2){

grandparent [grandparentnum
]=st[1];

grandparentnum ++;

}

}


// grandchild和grandparent数组求笛卡尔儿积
if (0
!= grandchildnum && 0 != grandparentnum) {
for (int m
= 0; m < grandchildnum; m++) {
for (int n
= 0; n < grandparentnum; n++) {
// 输出结果
context.write(new Text(grandchild[m]), new Text(grandparent
));
}
}
}
}
}

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[]
{ "STjoin_in", "STjoin_out" };
String[] otherArgs = new GenericOptionsParser(conf,
ioArgs).getRemainingArgs();
if (otherArgs.length !=
2) {
System.err.println("Usage:
Single Table Join <in> <out>");
System.exit(2);
}

Job job = new Job(conf, "Single
Table Join");
job.setJarByClass(STjoin.class);

// 设置Map和Reduce处理类
job.setMapperClass(Map.class);
job.setReducerClass(Reduce.class);

// 设置输出类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(Text.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);
}
}