一起學Hadoop——實現兩張表之間的連線操作
阿新 • • 發佈：2018-12-11
---恢復內容開始---
之前我們都是學習使用MapReduce處理一張表的資料（一個檔案可視為一張表，hive和關係型資料庫Mysql、Oracle等都是將資料儲存在檔案中）。但是我們經常會遇到處理多張表的場景，不同的資料儲存在不同的檔案中，因此Hadoop也提供了類似傳統關係型資料庫的join操作。Hadoop生態元件的高階框架Hive、Pig等也都實現了join連線操作，編寫類似SQL的語句，就可以在MapReduce中執行，底層的實現也是基於MapReduce。本文介紹如何使用MapReduce實現join操作，為以後學習hive打下基礎。
1、Map端連。資料在進入到map函式之前就進行連線操作。適用場景：一個檔案比較大，一個檔案比較小，小到可以載入到記憶體中。如果兩個都是大檔案，就會出現OOM記憶體溢位的異常。實現Map端連線操作需要用到Job類的addCacheFile()方法將小檔案分發到各個計算節點，然後載入到節點的記憶體中。
下面通過一個例子來實現Map端join連線操作：1、僱員employee表資料如下：name gender age dept_noTom male 30 1Tony male 35 2Lily female 28 1Lucy female 32 3
2、部門表dept資料如下：dept_no dept_name1 TSD2 MCD3 PPD
程式碼實現如下:
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<LongWritable, Text, Text,NullWritable> { 27 private Map<Integer, String> deptData = new HashMap<Integer, String>(); 28 29 @Override 30 protected void setup(Mapper<LongWritable, Text, Text,NullWritable>.Context context) throws IOException, InterruptedException { 31 super.setup(context); 32 //從快取的中讀取檔案。 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 // 一行一行讀取 39 while ((str = reader.readLine()) != null) { 40 // 對快取中的資料以" "分隔符進行分隔。 41 String[] splits = str.split(" "); 42 // 把需要的資料放在Map中。注意不能操作Map的大小，否則會出現OOM的異常 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<LongWritable, Text, Text,NullWritable>.Context context) throws IOException, 54 InterruptedException { 55 // 獲取從HDFS中載入的表 56 String[] values = value.toString().split(" "); 57 // 獲取關聯欄位depNo，這個欄位是關鍵 58 int depNo = Integer.parseInt(values[3]); 59 // 根據deptNo從記憶體中的關聯表中獲取要關聯的屬性depName 60 String depName = deptData.get(depNo); 61 String resultData = value.toString() + " " + depName; 62 // 將資料通過context寫入到Reduce中。 63 context.write(new Text(resultData),NullWritable.get()); 64 } 65 } 66 67 public static class MapJoinReducer extends Reducer<Text,NullWritable,Text,NullWritable> { 68 public void reduce(Text key, Iterable<NullWritable> 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 //將小表載入到快取中。 78 job.addCacheFile(new URI(args[0])); 79 job.setJarByClass(MapJoinMapper.class); 80 //1.1 設定輸入目錄和設定輸入資料格式化的類 81 FileInputFormat.setInputPaths(job,new Path(args[1])); 82 job.setInputFormatClass(TextInputFormat.class); 83 84 //1.2 設定自定義Mapper類和設定map函式輸出資料的key和value的型別 85 job.setMapperClass(MapJoinMapper.class); 86 job.setMapOutputKeyClass(Text.class); 87 job.setMapOutputValueClass(NullWritable.class); 88 89 //1.3 設定reduce數量 90 job.setNumReduceTasks(1); 91 //設定實現了reduce函式的類 92 job.setReducerClass(MapJoinReducer.class); 93 94 //設定reduce函式的key值 95 job.setOutputKeyClass(Text.class); 96 //設定reduce函式的value值 97 job.setOutputValueClass(NullWritable.class); 98 99 // 判斷輸出路徑是否存在，如果存在，則刪除 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 }
執行指令碼檔案如下：：
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
執行結果：
Lily female 28 1 TSD
Lucy female 32 3 PPD
Tom male 30 1 TSD
Tony male 35 2 MCD
2、Reduce端連線(Reduce side join)。資料在Reduce程序中執行連線操作。實現思路：在Map程序中對來自不同表的資料打上標籤，例如來自表employee的資料打上a標籤，來自檔案dept表的資料打上b標籤。然後在Reduce程序，對同一個key，來自不同表的資料進行笛卡爾積操作。請看下圖，我們對錶employee和表dept的dept_no欄位進行關聯，將dept_no欄位當做key。
在MapReduce中，key相同的資料會放在一起，因此我們只需在reduce函式中判斷資料是來自哪張表，來自相同表的資料不進行join。
程式碼如下：
1 public class ReduceJoin extends Configured implements Tool { 2 public static class JoinMapper extends 3 Mapper<LongWritable,Text,Text,Text> { 4 String employeeValue = ""; 5 protected void map(LongWritable key, Text value, Context context) 6 throws IOException,InterruptedException { 7 /* 8 * 根據命令列傳入的檔名，判斷資料來自哪個檔案，來自employee的資料打上a標籤，來自dept的資料打上b標籤 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<Text, Text, Text, NullWritable> { 34 protected void reduce(Text key, Iterable<Text> values, 35 Context context) throws IOException, InterruptedException{ 36 List<String[]> lista = new ArrayList<String[]>(); 37 List<String[]> listb = new ArrayList<String[]>(); 38 39 for(Text val:values) { 40 String[] str = val.toString().split(" "); 41 //最後一位是標籤位，因此根據最後一位判斷資料來自哪個檔案，標籤為a的資料放在lista中，標籤為b的資料放在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 設定輸入目錄和設定輸入資料格式化的類 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 設定自定義Mapper類和設定map函式輸出資料的key和value的型別 81 job.setMapperClass(JoinMapper.class); 82 job.setMapOutputKeyClass(Text.class); 83 job.setMapOutputValueClass(Text.class); 84 85 //1.3 設定reduce數量 86 job.setNumReduceTasks(1); 87 //設定實現了reduce函式的類 88 job.setReducerClass(JoinReducer.class); 89 90 //設定reduce函式的key值 91 job.setOutputKeyClass(Text.class); 92 //設定reduce函式的value值 93 job.setOutputValueClass(NullWritable.class); 94 95 // 判斷輸出路徑是否存在，如果存在，則刪除 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 }
執行MapReduce的shell指令碼如下：
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
總結：1、Map side join的執行速度比Reduce side join快，因為Reduce side join在shuffle階段會消耗大量的資源。Map side join由於把小表放在記憶體中，所以執行效率很高。2、當有一張表的資料很小時，小到可以載入到記憶體中，那麼建議使用Map side join。
歡迎關注本人公眾號瞭解更多關於大資料方面的知識：
