http://blog.csdn.net/leoleocmm/article/details/8602081
MapReduce中的两表join几种方案简介
5人收藏此文章,
我要收藏发表于2个月前(2012-12-11
20:11) ,已有91次阅读 ，共
0个评论
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.html2.4 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。
更多关于BloomFilter的介绍，可参考：
http://blog.csdn.net/jiaomeng/article/details/14955003. 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，具体参考：
http://www.cnblogs.com/xuxm2007/archive/2011/09/03/2165805.html4. 后记
最近一直在找工作，由于简历上写了熟悉Hadoop，所以几乎每个面试官都会问一些Hadoop相关的东西，而 Hadoop上Join的实现就成了一道必问的问题，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。为了更好地应对这些面试官，特整理此文章。
5. 参考资料
（1） 书籍《Data-Intensive Text Processing with MapReduce》 page 60~67 Jimmy Lin and Chris Dyer，University of Maryland,College Park
（2） 书籍《Hadoop In Action》page 107~131
（3） mapreduce的二次排序 SecondarySort：
http://www.cnblogs.com/xuxm2007/archive/2011/09/03/2165805.html（4） 半连接介绍：
http://wenku.baidu.com/view/ae7442db7f1922791688e877.html（5） BloomFilter介绍：
http://blog.csdn.net/jiaomeng/article/details/1495500（6）本文来自：
http://dongxicheng.org/mapreduce/hadoop-join-two-tables/————————————————————————————————————————————————
看完了上面的 hadoop 中 MR 常规 join 思路，下面我们来看一种比较极端的例子，大表 join 小表，而小表的大小在10M以下的情况：
之所以我这里说小表要限制10M以下，是因为我这里用到的思路是 ：
file-》jar-》main String configuration -》configuration map
HashMap
步骤：
1、从jar里面读取的文件内容以String的形式存在main方法的 configuration context
全局环境变量里
2、在map函数里读取 context 环境变量的字符串，然后split字符串组建小表成为一个HashMap
这样一个大表关联小表的例子就ok了，由于context是放在namenode上的，而namenode对内存是有限制的，
所以你的小表文件不要太大，这样我们可以比较的方便的利用 context 做join了。
这种方式其实就是 2.2
map side join 的一种具体实现而已。
Talk is cheap,show you the code~
003 | public static class MapperClass extends |
004 | Mapper<LongWritable,
Text,Text,Text> { |
006 | Configuration
config = null ; |
007 | HashSet<String>
idSet = new HashSet<String>(); |
008 | HashMap<String,
String> cityIdNameMap = new HashMap<String,
String>(); |
009 | Map<String,
String> houseTypeMap = new HashMap<String,
String>(); |
011 | public void setup(Context
context) { |
012 | config
= context.getConfiguration(); |
015 | String
idStr = config.get( "idStr" ); |
016 | String[]
idArr = idStr.split( "," ); |
017 | for (String
id :idArr) { |
021 | String
cityIdNameStr = config.get( "cityIdNameStr" ); |
022 | String[]
cityIdNameArr = cityIdNameStr.split( "," ); |
023 | for (String
cityIdName :cityIdNameArr) { |
024 | cityIdNameMap.put(cityIdName.split( "\t" )[ 0 ], |
025 | cityIdName.split( "\t" )[ 1 ]); |
028 | houseTypeMap.put( "8" , "Test" ); |
032 | public void map(LongWritable
key,Text value,Context context) |
033 | throws IOException,
InterruptedException { |
035 | String[]
info = value.toString().split( "\\|" ); |
036 | String
insertDate = info[InfoField.InsertDate].split( "
" )[ 0 ] |
037 | .split( "-" )[ 0 ]; //
date:2012-10-01 |
038 | insertDate
= insertDate |
039 | +
info[InfoField.InsertDate].split( "
" )[ 0 ].split( "-" )[ 1 ]; //
date:201210 |
041 | String
userID = info[InfoField.UserID]; //
userid |
042 | if (!idSet.contains(userID))
{ |
046 | String
disLocalID = "" ; |
047 | String[]
disLocalIDArr = info[InfoField.DisLocalID].split( "," ); |
048 | if (disLocalIDArr.length
>= 2 )
{ |
049 | disLocalID
= disLocalIDArr[ 1 ]; |
052 | disLocalID
= disLocalIDArr[ 0 ]; |
053 | } catch (Exception
e) { |
058 | String
localValue = cityIdNameMap.get(disLocalID); |
059 | disLocalID
= localValue == null ?
disLocalID :localValue; //
city |
061 | String[]
cateIdArr = info[InfoField.CateID].split( "," ); |
063 | String
secondType = "" ; |
064 | if (cateIdArr.length
>= 3 )
{ |
065 | cateId
= cateIdArr[ 2 ]; |
066 | if (houseTypeMap.get(cateId)
!= null )
{ |
067 | secondType
= houseTypeMap.get(cateId); //
secondType |
075 | String
upType = info[InfoField.UpType]; |
076 | String
outKey = insertDate + "_" +
userID + "_" +
disLocalID + "_" |
078 | String
outValue = upType.equals( "0" )
? "1_1" : "1_0" ; |
079 | context.write( new Text(outKey), new Text(outValue)); |
083 | public static class ReducerClass extends |
084 | Reducer<Text,
Text,NullWritable,Text> { |
086 | public void reduce(Text
key,Iterable<Text> values,Context context) |
087 | throws IOException,
InterruptedException { |
091 | for (Text
val :values) { |
092 | String[]
tmpArr = val.toString().split( "_" ); |
093 | pv
+= Integer.parseInt(tmpArr[ 0 ]); |
094 | uv
+= Integer.parseInt(tmpArr[ 1 ]); |
097 | String
outValue = key + "_" +
pv + "_" +
uv; |
098 | context.write(NullWritable.get(), new Text(outValue)); |
103 | public String
getResource(String fileFullName) throws IOException
{ |
105 | InputStream
is = this .getClass().getResourceAsStream(fileFullName); |
106 | BufferedReader
br = new BufferedReader( new InputStreamReader(is)); |
109 | while ((s
= br.readLine()) != null ) |
110 | res
= res.equals( "" )
?s :res + "," +
s; |
114 | public static void main(String[]
args) throws IOException, |
115 | InterruptedException,
ClassNotFoundException { |
116 | Configuration
conf = new Configuration(); |
117 | String[]
otherArgs = new GenericOptionsParser(conf,
args) |
119 | if (otherArgs.length
!= 2 )
{ |
123 | String
idStr = new Test().getResource( "userIDList.txt" ); |
124 | String
cityIdNameStr = new Test().getResource( "cityIdName.txt" ); |
125 | conf.set( "idStr" ,
idStr); |
126 | conf.set( "cityIdNameStr" ,
cityIdNameStr); |
127 | Job
job = new Job(conf, "test01" ); |
128 | //
job.setInputFormatClass(TextInputFormat.class); |
129 | job.setJarByClass(Test. class ); |
130 | job.setMapperClass(Test.MapperClass. class ); |
131 | job.setReducerClass(Test.ReducerClass. class ); |
132 | job.setNumReduceTasks( 25 ); |
133 | job.setOutputKeyClass(Text. class ); |
134 | job.setOutputValueClass(Text. class ); |
135 | job.setMapOutputKeyClass(Text. class ); |
136 | job.setMapOutputValueClass(Text. class ); |
138 | FileInputFormat.addInputPath(job, new Path(otherArgs[ 0 ])); |
139 | org.apache.hadoop.mapreduce.lib.output.FileOutputFormat.setOutputPath( |
140 | job, new Path(otherArgs[ 1 ])); |
142 | System.exit(job.waitForCompletion( true )
? 0 : 1 ); |
说明：
1、getResource()
方法指定了可以从jar包中读取配置文件，并拼接成一个String返回。
2、setup()
方法起到一个mapreduce前的初始化的工作，他的作用是从 context 中
获取main中存入的配置文件字符串，并用来构建一个hashmap，放在map外面，
每个node上MR前只被执行一次。
推荐阅读：
使用HBase的MAP侧联接
http://blog.sina.com.cn/s/blog_ae33b83901016lkq.htmlPS：关于如何从jar包中读取配置文件，请参考：
（1）
深入jar包：从jar包中读取资源文件http://www.iteye.com/topic/483115（2）
读取jar内资源文件/article/3880082.html
