一起学Hadoop——实现两张表之间的连接操作

---恢复内容开始---

之前我们都是学习使用MapReduce处理一张表的数据（一个文件可视为一张表，hive和关系型数据库Mysql、Oracle等都是将数据存储在文件中）。但是我们经常会遇到处理多张表的场景，不同的数据存储在不同的文件中，因此Hadoop也提供了类似传统关系型数据库的join操作。Hadoop生态组件的高级框架Hive、Pig等也都实现了join连接操作，编写类似SQL的语句，就可以在MapReduce中运行，底层的实现也是基于MapReduce。本文介绍如何使用MapReduce实现join操作，为以后学习hive打下基础。

1、Map端连。
数据在进入到map函数之前就进行连接操作。适用场景：一个文件比较大，一个文件比较小，小到可以加载到内存中。如果两个都是大文件，就会出现OOM内存溢出的异常。实现Map端连接操作需要用到Job类的addCacheFile()方法将小文件分发到各个计算节点，然后加载到节点的内存中。

下面通过一个例子来实现Map端join连接操作：
1、雇员employee表数据如下：
name gender age dept_no
Tom male 30 1
Tony male 35 2
Lily female 28 1
Lucy female 32 3

2、部门表dept数据如下：
dept_no dept_name
1 TSD
2 MCD
3 PPD

代码实现如下:

  1 package join;
  2 
  3 import org.apache.hadoop.conf.Configuration;
  4 import org.apache.hadoop.conf.Configured;
  5 import org.apache.hadoop.fs.FileSystem;
  6 import org.apache.hadoop.mapreduce.Job;
  7 import org.apache.hadoop.mapreduce.Reducer;
  8 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
  9 import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
 10 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
 11 import org.apache.hadoop.util.Tool;
 12 import org.apache.hadoop.io.*;
 13 import org.apache.hadoop.util.ToolRunner;
 14 import org.apache.hadoop.mapreduce.Mapper;
 15 
 16 import java.io.BufferedReader;
 17 import java.io.FileReader;
 18 import java.io.IOException;
 19 import java.net.URI;
 20 import java.util.HashMap;
 21 import java.util.Map;
 22 import org.apache.hadoop.fs.Path;
 23 
 24 public class MapJoin extends Configured implements Tool {
 25 
 26     public static class MapJoinMapper extends Mapper {
 27         private Map deptData = new HashMap();
 28 
 29         @Override
 30         protected void setup(Mapper.Context context) throws IOException, InterruptedException {
 31             super.setup(context);
 32             //从缓存的中读取文件。
 33             Path[] files = context.getLocalCacheFiles();
 34 //            Path file1path = new Path(files[0]);
 35             BufferedReader reader = new BufferedReader(new FileReader(files[0].toString()));
 36             String str = null;
 37             try {
 38                 // 一行一行读取
 39                 while ((str = reader.readLine()) != null) {
 40                     // 对缓存中的数据以" "分隔符进行分隔。
 41                     String[] splits = str.split(" ");
 42                     // 把需要的数据放在Map中。注意不能操作Map的大小，否则会出现OOM的异常
 43                     deptData.put(Integer.parseInt(splits[0]), splits[1]);
 44                 }
 45             } catch (Exception e) {
 46                 e.printStackTrace();
 47             } finally{
 48                 reader.close();
 49             }
 50         }
 51 
 52         @Override
 53         protected void map(LongWritable key, Text value, Mapper.Context context) throws IOException,
 54                 InterruptedException {
 55             // 获取从HDFS中加载的表
 56             String[] values = value.toString().split(" ");
 57             // 获取关联字段depNo，这个字段是关键
 58             int depNo = Integer.parseInt(values[3]);
 59             // 根据deptNo从内存中的关联表中获取要关联的属性depName
 60             String depName = deptData.get(depNo);
 61             String resultData = value.toString() + " " + depName;
 62             // 将数据通过context写入到Reduce中。
 63             context.write(new Text(resultData),NullWritable.get());
 64         }
 65     }
 66 
 67     public static class MapJoinReducer extends Reducer {
 68         public void reduce(Text key, Iterable values,Context context)throws IOException,InterruptedException{
 69             context.write(key,NullWritable.get());
 70         }
 71     }
 72 
 73     @Override
 74     public int run(String[] args) throws Exception {
 75         Configuration conf = new Configuration();
 76         Job job = Job.getInstance(conf, "Total Sort app");
 77         //将小表加载到缓存中。
 78         job.addCacheFile(new URI(args[0]));
 79         job.setJarByClass(MapJoinMapper.class);
 80         //1.1 设置输入目录和设置输入数据格式化的类
 81         FileInputFormat.setInputPaths(job,new Path(args[1]));
 82         job.setInputFormatClass(TextInputFormat.class);
 83 
 84         //1.2 设置自定义Mapper类和设置map函数输出数据的key和value的类型
 85         job.setMapperClass(MapJoinMapper.class);
 86         job.setMapOutputKeyClass(Text.class);
 87         job.setMapOutputValueClass(NullWritable.class);
 88 
 89         //1.3 设置reduce数量
 90         job.setNumReduceTasks(1);
 91         //设置实现了reduce函数的类
 92         job.setReducerClass(MapJoinReducer.class);
 93 
 94         //设置reduce函数的key值
 95         job.setOutputKeyClass(Text.class);
 96         //设置reduce函数的value值
 97         job.setOutputValueClass(NullWritable.class);
 98 
 99         // 判断输出路径是否存在，如果存在，则删除
100         Path mypath = new Path(args[2]);
101         FileSystem hdfs = mypath.getFileSystem(conf);
102         if (hdfs.isDirectory(mypath)) {
103             hdfs.delete(mypath, true);
104         }
105 
106         FileOutputFormat.setOutputPath(job, new Path(args[2]));
107 
108         return job.waitForCompletion(true) ? 0 : 1;
109     }
110 
111     public static void main(String[] args)throws Exception{
112 
113         int exitCode = ToolRunner.run(new MapJoin(), args);
114         System.exit(exitCode);
115     }
116 }

执行脚本文件如下：：

1 /usr/local/src/hadoop-2.6.1/bin/hadoop jar MapJoin.jar \
2 hdfs://hadoop-master:8020/data/dept.txt \
3 hdfs://hadoop-master:8020/data/employee.txt \
4 hdfs://hadoop-master:8020/mapjoin_output

运行结果：

Lily female 28 1 TSD
Lucy female 32 3 PPD
Tom male 30 1 TSD
Tony male 35 2 MCD

 

2、Reduce端连接(Reduce side join)。
数据在Reduce进程中执行连接操作。实现思路：在Map进程中对来自不同表的数据打上标签，例如来自表employee的数据打上a标签，来自文件dept表的数据打上b标签。然后在Reduce进程，对同一个key，来自不同表的数据进行笛卡尔积操作。请看下图，我们对表employee和表dept的dept_no字段进行关联，将dept_no字段当做key。

在MapReduce中，key相同的数据会放在一起，因此我们只需在reduce函数中判断数据是来自哪张表，来自相同表的数据不进行join。

代码如下：

  1 public class ReduceJoin extends Configured implements Tool {
  2     public static class JoinMapper extends
  3             Mapper {
  4         String employeeValue = "";
  5         protected void map(LongWritable key, Text value, Context context)
  6                 throws IOException,InterruptedException {
  7             /*
  8              * 根据命令行传入的文件名，判断数据来自哪个文件，来自employee的数据打上a标签，来自dept的数据打上b标签
  9              */
 10             String filepath = ((FileSplit)context.getInputSplit()).getPath().toString();
 11             String line = value.toString();
 12             if (line == null || line.equals("")) return;
 13 
 14             if (filepath.indexOf("employee") != -1) {
 15                 String[] lines = line.split(" ");
 16                 if(lines.length < 4) return;
 17 
 18                 String deptNo = lines[3];
 19                 employeeValue = line + " a";
 20                 context.write(new Text(deptNo),new Text(employeeValue));
 21             }
 22 
 23             else if(filepath.indexOf("dept") != -1) {
 24                 String[] lines = line.split(" ");
 25                 if(lines.length < 2) return;
 26                 String deptNo = lines[0];
 27                 context.write(new Text(deptNo), new Text(line + " b"));
 28             }
 29         }
 30     }
 31 
 32     public static class JoinReducer extends
 33             Reducer {
 34         protected void reduce(Text key, Iterable values,
 35                               Context context) throws IOException, InterruptedException{
 36             List lista = new ArrayList();
 37             List listb = new ArrayList();
 38 
 39             for(Text val:values) {
 40                 String[] str = val.toString().split(" ");
 41                 //最后一位是标签位，因此根据最后一位判断数据来自哪个文件，标签为a的数据放在lista中，标签为b的数据放在listb中
 42                 String flag = str[str.length -1];
 43                 if("a".equals(flag)) {
 44                     //String valueA = str[0] + " " + str[1] + " " + str[2];
 45                     lista.add(str);
 46                 } else if("b".equals(flag)) {
 47                     //String valueB = str[0] + " " + str[1];
 48                     listb.add(str);
 49                 }
 50             }
 51 
 52             for (int i = 0; i < lista.size(); i++) {
 53                 if (listb.size() == 0) {
 54                     continue;
 55                 } else {
 56                     String[] stra = lista.get(i);
 57                     for (int j = 0; j < listb.size(); j++) {
 58                         String[] strb = listb.get(j);
 59                         String keyValue = stra[0] + " " + stra[1] + " " + stra[2] + " " + stra[3] + " " + strb[1];
 60                         context.write(new Text(keyValue), NullWritable.get());
 61                     }
 62                 }
 63             }
 64         }
 65     }
 66 
 67     @Override
 68     public int run(String[] args) throws Exception {
 69         Configuration conf = getConf();
 70         GenericOptionsParser optionparser = new GenericOptionsParser(conf, args);
 71         conf = optionparser.getConfiguration();
 72         Job job = Job.getInstance(conf, "Reduce side join");
 73         job.setJarByClass(ReduceJoin.class);
 74         //1.1 设置输入目录和设置输入数据格式化的类
 75         //FileInputFormat.setInputPaths(job,new Path(args[0]));
 76         FileInputFormat.addInputPaths(job, conf.get("input_data"));
 77 
 78         job.setInputFormatClass(TextInputFormat.class);
 79 
 80         //1.2 设置自定义Mapper类和设置map函数输出数据的key和value的类型
 81         job.setMapperClass(JoinMapper.class);
 82         job.setMapOutputKeyClass(Text.class);
 83         job.setMapOutputValueClass(Text.class);
 84 
 85         //1.3 设置reduce数量
 86         job.setNumReduceTasks(1);
 87         //设置实现了reduce函数的类
 88         job.setReducerClass(JoinReducer.class);
 89 
 90         //设置reduce函数的key值
 91         job.setOutputKeyClass(Text.class);
 92         //设置reduce函数的value值
 93         job.setOutputValueClass(NullWritable.class);
 94 
 95         // 判断输出路径是否存在，如果存在，则删除
 96         Path output_dir = new Path(conf.get("output_dir"));
 97         FileSystem hdfs = output_dir.getFileSystem(conf);
 98         if (hdfs.isDirectory(output_dir)) {
 99             hdfs.delete(output_dir, true);
100         }
101 
102         FileOutputFormat.setOutputPath(job, output_dir);
103 
104         return job.waitForCompletion(true) ? 0 : 1;
105     }
106 
107     public static void main(String[] args)throws Exception{
108         int exitCode = ToolRunner.run(new ReduceJoin(), args);
109         System.exit(exitCode);
110     }
111 }

执行MapReduce的shell脚本如下：

1 /usr/local/src/hadoop-2.6.1/bin/hadoop jar ReduceJoin.jar \
2 -Dinput_data=hdfs://hadoop-master:8020/data/dept.txt,hdfs://hadoop-master:8020/data/employee.txt \
3 -Doutput_dir=hdfs://hadoop-master:8020/reducejoin_output

总结：
1、Map side join的运行速度比Reduce side join快，因为Reduce side join在shuffle阶段会消耗大量的资源。Map side join由于把小表放在内存中，所以执行效率很高。
2、当有一张表的数据很小时，小到可以加载到内存中，那么建议使用Map side join。

 

欢迎关注本人公众号了解更多关于大数据方面的知识：