cascading基本概念

这是cascading官方userguide的中文翻译，其中有些概念看过一段时间又忘了，在此做个记录，一是方便自己复习，二是方便新手。

关于cascading我不想多说了，你如果写过原生mapreduce程序，然后再接触cascading，你会发现cascading Great job。它对Map和Reduce进行了高度抽象，用Tap、Pipe、Function、Operation这些概念替代了原有的Map和Reduce，可以很舒服的开发hadoop程序，但是这些概念过了一个来月我又忘的差不多了，所以有了这篇翻译。

对于一些不好翻译的单词我这里直接给出了原单词，所以说看资料还是英文原版的好，看翻译的书籍有很大风险，万一别人翻译错了，那你这个newbie怎么能懂！

下面的翻译来自cascading-userguide/ch03s03.html，下载地址：http://docs.cascading.org/cascading/2.5/userguide/html/userguide.zip

首先是一段关于pipe assembly的代码例子

// the "left hand side" assembly head
Pipe lhs = new Pipe( "lhs" );

lhs = new Each( lhs, new SomeFunction() );
lhs = new Each( lhs, new SomeFilter() );

// the "right hand side" assembly head
Pipe rhs = new Pipe( "rhs" );

rhs = new Each( rhs, new SomeFunction() );

// joins the lhs and rhs
Pipe join = new CoGroup( lhs, rhs );

join = new Every( join, new SomeAggregator() );

join = new GroupBy( join );

join = new Every( join, new SomeAggregator() );

// the tail of the assembly
join = new Each( join, new SomeFunction() );

通用流模式Common Stream Pattern

• Split 一分多

• Merge 多合一stream拥有相同fields常见的有：Merge、GroupBy

• Join 和sqljoin一样，把拥有不同列的stream按照相同列join起来。HashJoin、CoGroup

除了split、merge、join以外，管道组装还有examine、filter、organize、transform这些操作，为了方便处理，在元组中的每个值都被赋予一个fieldname，就像数据库中的列名一样，这样他们就能很方便的被引用与选择。

术语介绍：

1. Operation（cascading.operation.Operation）接受一个参数元组Tuple，输出零或多个结果元组。Cascading提供了几个常用的Operation，开发者也可以自己实现。

2. Tuple，在Cascading中，数据被看作元组（cascading.tuple.Tuple）的流，元组由fields构成，元组和数据库中的记录或行类似。一个元组是一组值的数组，每个值可以为任何java.lang.Object。

3. Fields（cascading.tuple,Fields）被用于声明或引用元组中的某一列，fields可以表示为像“firstname”、“birthdate”的字符串，也可以是整数值（0表示第一个，-1表示最后一个），或者还可以是预定义的值（Fields.All、Fields.RESULT、Fields.REPLACE等）

Pipe类是用于实例化与命名一个pipe，Pipe的名字可以被planner用于绑定到tap上，作为source或者sink使用。（第三种选择是绑定pipebranch到一个tap，作为一个trap，这在高级主题在详细讨论）

SubAssembly子类是一个特殊的pipe类型，他用于嵌套一组可重用的pipeassemblies，这样可以方便用于更大范围内的pipeassembly。

其余六种pipe类型：

1. Each这种pipe基于tuple的内容做处理，包括analyze、transform、filter。还可以用Each类splitor branch一个流，达到这种效果你仅仅需要把Each的输出定向到一个不同的pipe或sink即可。

2. Merge这个pipe和Each一样都可以把一个流split成两个，Merge还可以把多个流合并成一个，前途是这些流具有相同的fields。当不需要grouping（noaggregator or buffer操作会被使用时）时使用Merge，Merge比GroupBy快。

3. GroupBy基于特定field，把一个流中的tuples分组。如果传入多个stream，它在分组之前先进行merge操作，在进行merge时，GroupBy要求多个stream必须用相同的fieldstructure。分组的目的通常是为Every管道准备一个处理流，Every管道可以针对groups进行aggregator和buffer操作，比如counting，totalling，averaging。我们应该明确，grouping这里意味着基于某一特地field的值进行分组（byGroupBy或CoGroup）,比如按照timestamp或zipcode进行分组，在每一分组中，元组的顺序是随机的，不过你也可以指定一个次sortkey，但是通常情况下，是不必要的，这只会增加运行时间。

4. Every用于处理分组后的流。只能用于GroupBy或Cogroup的输出流，不能处理Each、Merge、HashJoin的输出流。

5. CoGroup对多个流进行join，和SQLjoin类似。它只基于某特定field进行group，产出一个结果流。如果在多流中包含有相同的field名，它们必须被重命名来避免结果tuple中field的冲突

6. HashJoin和Cogroup一样，用于对多个流的join。但是它更适用于不需要grouping的场合下，这时它的性能更优。

Pipe类型对比表

Pipe type	Purpose	Input	Output
Pipe	instantiate a pipe; create or name a branch	name	a (named) pipe
SubAssembly	create nested subassemblies
Each	apply a filter or function, or branch a stream	tuple stream (grouped or not)	a tuple stream, optionally filtered or transformed
Merge	merge two or more streams with identical fields	two or more tuple streams	a tuple stream, unsorted
GroupBy	sort/group on field values; optionally merge two or morestreams with identical fields	one or more tuple streams with identical fields	a single tuple stream, grouped on key field(s) with optionalsecondary sort
Every	apply aggregator or buffer operation	grouped tuple stream	a tuple stream plus new fields with operation results
CoGroup	join 1 or more streams on matching field values	one or more tuple streams	a single tuple stream, joined on key field(s)
HashJoin	join 1 or more streams on matching field values	one or more tuple streams	a tuple stream in arbitrary order

Each、Every的语法如下：

new Each( previousPipe, argumentSelector, operation, outputSelector )
new Every( previousPipe, argumentSelector, operation, outputSelector )

这两个pipe都有四个参数：

• 一个pipe实例

• 一个参数选择器

• 一个Operation实例

• 一个输出选择器

Each与Every的主要不同在于Each用于处理单个元组，Every用于处理由GroupBy或CoGroup输出的分组tuple，这限制了它们分别可以实施的操作、结果的输出。

Each的操作可以是Functions和Filters的子类。比如你可以从日志文件中解析出特定field；过滤掉除了HTTPGET以外的请求，把timestring替换成datefield。

Every的操作可以是Aggregators和Buffer的子类。比如你可以用Every去统计每天GET请求数，它会为每天输出一个统计值。

大多数Operation子类都声明了resultfield（就是上图中的declaredfields），outputSelector指定输出Tuple中的field，而输出Tuple中的field来源于input的field和operation的结果这两个方面。如果outputSelector=Fields.ALL那么输出的Tuple就是input+result的数据merge后的结果。

对于Each来说argumentSelector默认为Fields.All，outputSelector默认为Fields.RESULT

对于Every来说Aggregator的result默认被追加到inputTuple上。比如，你在department域上做grouping，然后统计这个公寓的names，那么结果fields会是["department","num_employees"]

当Every与Bufferoperation一起使用时，行为和Aggregator很不一样，operationresult这次是和当前valuestuple关联在一起，而不是当前groupingtuple。这就像Each与Function一起使用时一样。这也许看起来不是很直观，但这提供了很大的灵活性。换一个说法，bufferoperation的result没有被追加到thecurrent keys being grouped on，是由buffer来决定是emit它们ifthey are relevant，而且对于Buffer来说，针对每个唯一的grouping有可能emit多个resultTuple。也就是说，一个Buffer可能或者可能不和Aggregator行为一致，但是Aggregator只是一个特殊的Buffer。