Hadoop 多表 join：map side join 范例

      在没有 pig 或者 hive 的环境下，直接在 mapreduce 中自己实现 join 是一件极其蛋疼的事情，MR中的join分为好几种，比如有最常见的 reduce side join，map side join，semi join 等。今天我们要讨论的是第 2 种：map side join，这种 join 在处理多个小表关联大表时非常有用，而 reduce join 在处理多表关联时是比较麻烦的，一次只能处理一张表。

1、原理：

      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。但 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://jobtracker:50030/home/XXX/file）。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、环境：

本实例需要的测试文件及 hdfs 文件存放目录如下：

hadoop fs -ls /test/decli
Found 4 items
-rw-r--r--   2 root supergroup        152 2013-03-06 02:05 /test/decli/login
drwxr-xr-x   - root supergroup          0 2013-03-06 02:45 /test/decli/output
-rw-r--r--   2 root supergroup         12 2013-03-06 02:12 /test/decli/sex
-rw-r--r--   2 root supergroup         72 2013-03-06 02:44 /test/decli/user

测试文件内容分别为：

root@master 192.168.120.236 02:58:03 ~/test/table >
cat login  # 登录表，需要判断 uid 列是否有效，并得到对应用户名、性别、访问次数
1       0       20121213
2       0       20121213
3       1       20121213
4       1       20121213
1       0       20121114
2       0       20121114
3       1       20121114
4       1       20121114
1       0       20121213
1       0       20121114
9       0       20121114
root@master 192.168.120.236 02:58:08 ~/test/table >
cat sex # 性别表
0       男
1       女
root@master 192.168.120.236 02:58:13 ~/test/table >
cat user # 用户属性表
1       张三    hubei
3       王五    tianjin
4       赵六    guangzhou
2       李四    beijing
root@master 192.168.120.236 02:58:16 ~/test/table >

测试环境 hadoop 版本：

1 echo $HADOOP_HOME
2 /work/hadoop-0.20.203.0

好了，废话少说，上代码：

3、代码：

001 import java.io.BufferedReader;
002 import java.io.FileReader;
003 import java.io.IOException;
004 import java.util.HashMap;
005 import java.util.Map;
006
007 import org.apache.hadoop.conf.Configuration;
008 import org.apache.hadoop.conf.Configured;
009 import org.apache.hadoop.filecache.DistributedCache;
010 import org.apache.hadoop.fs.Path;
011 import org.apache.hadoop.io.LongWritable;
012 import org.apache.hadoop.io.Text;
013 import org.apache.hadoop.mapreduce.Job;
014 import org.apache.hadoop.mapreduce.Mapper;
015 import org.apache.hadoop.mapreduce.Reducer;
016 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
017 import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
018 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
019 import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
020 import org.apache.hadoop.util.GenericOptionsParser;
021 import org.apache.hadoop.util.Tool;
022 import org.apache.hadoop.util.ToolRunner;
023
024 public class MultiTableJoin extends Configured implements Tool {
025     public static class MapClass extends Mapper<LongWritable, Text, Text, Text> {
026
027         // 用于缓存 sex、user 文件中的数据
028         private Map<String, String> userMap = new HashMap<String, String>();
029         private Map<String, String> sexMap = new HashMap<String, String>();
030
031         private Text oKey = new Text();
032         private Text oValue = new Text();
033         private String[] kv;
034
035         // 此方法会在map方法执行之前执行
036         @Override
037         protected void setup(Context context) throws IOException,
038                 InterruptedException {
039             BufferedReader in = null;
040
041             try {
042                 // 从当前作业中获取要缓存的文件
043                 Path[] paths = DistributedCache.getLocalCacheFiles(context
044                         .getConfiguration());
045                 String uidNameAddr = null;
046                 String sidSex = null;
047                 for (Path path : paths) {
048                     if (path.toString().contains("user")) {
049                         in = new BufferedReader(new FileReader(path.toString()));
050                         while (null != (uidNameAddr = in.readLine())) {
051                             userMap.put(uidNameAddr.split("\t", -1)[0],
052                                     uidNameAddr.split("\t", -1)[1]);
053                         }
054                     } else if (path.toString().contains("sex")) {
055                         in = new BufferedReader(new FileReader(path.toString()));
056                         while (null != (sidSex = in.readLine())) {
057                             sexMap.put(sidSex.split("\t", -1)[0], sidSex.split(
058                                     "\t", -1)[1]);
059                         }
060                     }
061                 }
062             } catch (IOException e) {
063                 e.printStackTrace();
064             } finally {
065                 try {
066                     if (in != null) {
067                         in.close();
068                     }
069                 } catch (IOException e) {
070                     e.printStackTrace();
071                 }
072             }
073         }
074
075         public void map(LongWritable key, Text value, Context context)
076                 throws IOException, InterruptedException {
077
078             kv = value.toString().split("\t");
079             // map join: 在map阶段过滤掉不需要的数据
080             if (userMap.containsKey(kv[0]) && sexMap.containsKey(kv[1])) {
081                 oKey.set(userMap.get(kv[0]) + "\t" + sexMap.get(kv[1]));
082                 oValue.set("1");
083                 context.write(oKey, oValue);
084             }
085         }
086
087     }
088
089     public static class Reduce extends Reducer<Text, Text, Text, Text> {
090
091         // private Text oValue = new Text();
092         // private StringBuilder sb;
093
094         public void reduce(Text key, Iterable<Text> values, Context context)
095                 throws IOException, InterruptedException {
096             int sumCount = 0;
097
098             for (Text val : values) {
099                 sumCount += Integer.parseInt(val.toString());
100             }
101
102             context.write(key, new Text(String.valueOf(sumCount)));
103         }
104
105     }
106
107     public int run(String[] args) throws Exception {
108         Job job = new Job(getConf(), "MultiTableJoin");
109
110         job.setJobName("MultiTableJoin");
111         job.setJarByClass(MultiTableJoin.class);
112         job.setMapperClass(MapClass.class);
113         job.setReducerClass(Reduce.class);
114
115         job.setInputFormatClass(TextInputFormat.class);
116         job.setOutputFormatClass(TextOutputFormat.class);
117
118         job.setOutputKeyClass(Text.class);
119         job.setOutputValueClass(Text.class);
120
121         String[] otherArgs = new GenericOptionsParser(job.getConfiguration(),
122                 args).getRemainingArgs();
123
124         // 我们把第1、2个参数的地址作为要缓存的文件路径
125         DistributedCache.addCacheFile(new Path(otherArgs[1]).toUri(), job
126                 .getConfiguration());
127         DistributedCache.addCacheFile(new Path(otherArgs[2]).toUri(), job
128                 .getConfiguration());
129
130         FileInputFormat.addInputPath(job, new Path(otherArgs[3]));
131         FileOutputFormat.setOutputPath(job, new Path(otherArgs[4]));
132
133         return job.waitForCompletion(true) ? 0 : 1;
134     }
135
136     public static void main(String[] args) throws Exception {
137         int res = ToolRunner.run(new Configuration(), new MultiTableJoin(),
138                 args);
139         System.exit(res);
140     }
141
142 }

运行命令：

1 hadoop jar MultiTableJoin.jar MultiTableJoin /test/decli/sex /test/decli/user /test/decli/login /test/decli/output

4、结果：

运行结果：

root@master 192.168.120.236 02:47:18 ~/test/table >
hadoop fs -cat /test/decli/output/*|column -t
cat: File does not exist: /test/decli/output/_logs
张三  男  4
李四  男  2
王五  女  2
赵六  女  2
root@master 192.168.120.236 02:47:26 ~/test/table >

TIPS：

更多关于 hadoop mapreduce 相关 join 介绍，请参考之前的博文：

MapReduce 中的两表 join 几种方案简介

http://my.oschina.net/leejun2005/blog/95186