[Hadoop]使用Hadoop进行ReduceSideJoin

Note:

1. 内容主要参考<Hadoop in Action> Chapter 5.2

2. 代码主要参考: http://qindongliang.iteye.com/blog/2052842

3. 这是基于老的API的实现，这种方法并不高效简洁

 

数据：（原始数据可以从movielens-1m里面去要，这里将原始数据进行了简单的修改方便演示与自测）

文件：  u.user 

结构： user id | age | gender | occupation | zip code

样例：

1|24|M|technician|85711 2|53|F|other|94043 3|23|M|writer|32067 4|24|M|technician|43537 5|33|F|other|15213 6|42|M|executive|98101 7|57|M|administrator|91344 8|36|M|administrator|05201 9|29|M|student|01002 10|53|M|lawyer|90703

文件：  u.data

结构： user id | item id | rating | timestamp. 

样例：

1 242 3 881250949 1 302 3 891717742 2 377 1 878887116 4 51 2 880606923 6 346 1 886397596 8 474 4 884182806 10 265 2 881171488 1 465 5 891628467 2 451 3 886324817 6 86 3 883603013

 

任务：

将两个文件的内容连接起来，输出部分内容：（inner join）

输出结构：  user id | age | rating

输出示例：

1age=24,ratings=3 1age=24,ratings=3 1age=24,ratings=5 10age=53,ratings=2 2age=53,ratings=1 2age=53,ratings=3 4age=24,ratings=2 6age=42,ratings=1 6age=42,ratings=3 8age=36,ratings=4

如果在u.data之中没有找到对应的记录则忽略此user

 

思路：

在Map函数之中处理各个文件每一行的值。并根据文件名为每一行的值加上一个groupKey.

在这个例子之中，groupKey即为user id, 比如 1,2,3 ...

经过map函数处理之后，会有如下数据出现：（假设将其json化）

[{
    tag: 'u.user',
    value: '1|24|M|technician|85711'
}, {
    tag: 'u.data',
    value: '1	242	3	881250949'
}, {
    tag: 'u.data',
    value: '1	377	1	878887116'
}]

 

Hadoop会将相同的groupKey的值放在一起，所以在Reduce函数之中，需要做的事情就是将这一系列的值合并在一起。注意:上面的list里面值的顺序是不固定的，无法确定u.user一定排在首位。

 

在演示最终代码之前，需要注意，英文版的<Hadoop in Action>上面的代码在我的版本上面是有问题的，需要修改如下几个地方：

1. 在TaggedWritable之中新增一个默认的构造方法，

public static class TaggedWritable extends TaggedMapOutput {  
    public TaggedWritable() {
    }
}

不然会提示如下错误： 原因是在反射的时候一定需要一个默认的构造函数

 java.lang.NoSuchMethodException: ch5.ReduceSideJoin$TaggedWritable.<init>()

 

2. readFields方法要增加一些处理空的代码，否则会报NullException

public void readFields(DataInput in) throws IOException {  
    this.tag.readFields(in);  
      //加入此部分代码，否则，可能报空指针异常
	String temp=in.readUTF();
	if (this.data == null|| !this.data.getClass().getName().equals(temp)) {
		try {
			this.data = (Writable) ReflectionUtils.newInstance(
					Class.forName(temp), null);
		} catch (ClassNotFoundException e) {
			e.printStackTrace();
		}
	}
    this.data.readFields(in);  
}

 

最后实现的代码如下：

package ch5;


import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
import java.util.ArrayList;
import java.util.List;

import org.apache.commons.lang.StringUtils;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.contrib.utils.join.DataJoinMapperBase;
import org.apache.hadoop.contrib.utils.join.DataJoinReducerBase;
import org.apache.hadoop.contrib.utils.join.TaggedMapOutput;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.Writable;
import org.apache.hadoop.mapred.FileInputFormat;
import org.apache.hadoop.mapred.FileOutputFormat;
import org.apache.hadoop.mapred.JobClient;
import org.apache.hadoop.mapred.JobConf;
import org.apache.hadoop.mapred.TextInputFormat;
import org.apache.hadoop.mapred.TextOutputFormat;
import org.apache.hadoop.util.ReflectionUtils;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;
  

/***
 * 
 * Hadoop1.2的版本，旧版本实现的Reduce侧连接
 * 
 * @author qindongliang
 * 
 *    大数据交流群：376932160
 *  搜索技术交流群：324714439
 * 
 * 
 */

public class ReduceSideJoin extends Configured implements Tool {  
	
	/**
	 * 
	 * Map实现
	 * 
	 * */
    public static class MapClass extends DataJoinMapperBase {  
          
    	/**
    	 * 读取输入的文件路径
    	 * 
    	 * **/
        protected Text generateInputTag(String inputFile) {  
            
        	//返回文件路径，做标记
            return new Text(inputFile);  
        }  
          
        
        /***
         * 分组的Key
         * 
         * **/
        
        protected Text generateGroupKey(TaggedMapOutput aRecord) {  
			Text tag = aRecord.getTag();
			String line = ((Text)aRecord.getData()).toString();
			if(line.trim().length() < 2) return null;
			String sep = "\t";
			if(tag.toString().contains("u.user")) {
				sep = "[|]";
			}
			String[] tokens = line.split(sep);
			String groupKey = tokens[0];
			return new Text(groupKey);
        }  
          
        protected TaggedMapOutput generateTaggedMapOutput(Object value) {  
            TaggedWritable retv = new TaggedWritable((Text) value);  
            retv.setTag(this.inputTag);  
            return retv;  
        }  
    }  
      
    /**
     * 
     * Reduce进行笛卡尔积
     * 
     * **/
    public static class Reduce extends DataJoinReducerBase {  
          
    	
    	/***
    	 * 笛卡尔积
    	 * 
    	 * */
        protected TaggedMapOutput combine(Object[] tags, Object[] values) {  
            if (tags.length < 2) return null;		// 
            // 开始连接两边的内容
            String str = "";
            String userInfo = "";
            List<String> ratingDataList = new ArrayList<String>();
            
            for(int i = 0 ; i < tags.length; i++) {
            	
            	Text curTag = (Text) tags[i];
            	String line = ((TaggedWritable)values[i]).getData().toString();
            	if(curTag.toString().contains("u.user")) {
            		String[] tokens = line.split("[|]"); // 对于u.user 分隔符是| 并且只需要他的年龄这一列
            		userInfo = "age=" + tokens[1];
            	} else {
            		String[] tokens = line.split("\t");		// 对于u.data 分隔符是制表符"\t" 需要的是ratings这一列
            		ratingDataList.add(tokens[2]);
            	}
            }
            str = userInfo + ",ratings=" +  StringUtils.join(ratingDataList, "|");
            TaggedWritable retv = new TaggedWritable(new Text(str));  
            retv.setTag((Text) tags[0]);   
            return retv;  
        }  
    }  
      
    /**
     * 
     * 自定义的输出类型
     * 
     * ***/
    public static class TaggedWritable extends TaggedMapOutput {  
      
        private Writable data;  
          
        /**
         * 注意加上构造方法
         * 
         * */
        public TaggedWritable() {
		}
        
        public TaggedWritable(Writable data) {  
            this.tag = new Text("");  
            this.data = data;  
        }  
          
        public Writable getData() {  
            return data;  
        }  
          
        public void write(DataOutput out) throws IOException {  
            this.tag.write(out);  
            //此行代码很重要
            out.writeUTF(this.data.getClass().getName());
           
            this.data.write(out); 
            
        }  
          
		public void readFields(DataInput in) throws IOException {  
		    this.tag.readFields(in);  
		    //加入此部分代码，否则，可能报空指针异常
			String temp=in.readUTF();
			if (this.data == null|| !this.data.getClass().getName().equals(temp)) {
				try {
					this.data = (Writable) ReflectionUtils.newInstance(
							Class.forName(temp), null);
				} catch (ClassNotFoundException e) {
					e.printStackTrace();
				}
			}
		    this.data.readFields(in);  
		}  
    }  
      
    public int run(String[] args) throws Exception {  
        Configuration conf = getConf();  
          
        JobConf job = new JobConf(conf, ReduceSideJoin.class);  
      	job.setJarByClass(ReduceSideJoin.class);
      		 
      	String path = "/home/hadoop/DataSet/movielens-output";
		FileSystem fs=FileSystem.get(conf);
		Path out = new Path(path);
		if(fs.exists(out)){
			fs.delete(out, true);
			System.out.println("输出路径存在，已删除！");
		}
        
        Path in = new Path("/home/hadoop/DataSet/movielens");  
        FileInputFormat.setInputPaths(job, in);  
        FileOutputFormat.setOutputPath(job, out);  
          
        job.setJobName("ReduceSideJoin");  
        job.setMapperClass(MapClass.class);  
        job.setReducerClass(Reduce.class);  
          
        job.setInputFormat(TextInputFormat.class);  
        job.setOutputFormat(TextOutputFormat.class);  
        job.setOutputKeyClass(Text.class);  
        job.setOutputValueClass(TaggedWritable.class);  
          
        JobClient.runJob(job);   
        return 0;  
    }  
      
    public static void main(String[] args) throws Exception {   
    	
        int res = ToolRunner.run(new Configuration(),  
                                 new ReduceSideJoin(),  
                                 args);  
          
        System.exit(res);  
    }  
}