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:

package join;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.io.*;
import org.apache.hadoop.util.ToolRunner;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.BufferedReader;
import java.io.FileReader;
import java.io.IOException;
import java.net.URI;
import java.util.HashMap;
import java.util.Map;
import org.apache.hadoop.fs.Path;

public class MapJoin extends Configured implements Tool {

    public static class MapJoinMapper extends Mapper<LongWritable, Text, Text,NullWritable> {
        private Map<Integer, String> deptData = new HashMap<Integer, String>();

        @Override
        protected void setup(Mapper<LongWritable, Text, Text,NullWritable>.Context context) throws IOException, InterruptedException {
            super.setup(context);
            //从缓存的中读取文件。
            Path[] files = context.getLocalCacheFiles();
//            Path file1path = new Path(files[0]);
            BufferedReader reader = new BufferedReader(new FileReader(files[0].toString()));
            String str = null;
            try {
                // 一行一行读取
                while ((str = reader.readLine()) != null) {
                    // 对缓存中的数据以" "分隔符进行分隔。
                    String[] splits = str.split(" ");
                    // 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
                    deptData.put(Integer.parseInt(splits[0]), splits[1]);
                }
            } catch (Exception e) {
                e.printStackTrace();
            } finally{
                reader.close();
            }
        }

        @Override
        protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text,NullWritable>.Context context) throws IOException,
                InterruptedException {
            // 获取从HDFS中加载的表
            String[] values = value.toString().split(" ");
            // 获取关联字段depNo，这个字段是关键
            int depNo = Integer.parseInt(values[3]);
            // 根据deptNo从内存中的关联表中获取要关联的属性depName
            String depName = deptData.get(depNo);
            String resultData = value.toString() + " " + depName;
            // 将数据通过context写入到Reduce中。
            context.write(new Text(resultData),NullWritable.get());
        }
    }

    public static class MapJoinReducer extends Reducer<Text,NullWritable,Text,NullWritable> {
        public void reduce(Text key, Iterable<NullWritable> values,Context context)throws IOException,InterruptedException{
            context.write(key,NullWritable.get());
        }
    }

    @Override
    public int run(String[] args) throws Exception {
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf, "Total Sort app");
        //将小表加载到缓存中。
        job.addCacheFile(new URI(args[0]));
        job.setJarByClass(MapJoinMapper.class);
        //1.1 设置输入目录和设置输入数据格式化的类
        FileInputFormat.setInputPaths(job,new Path(args[1]));
        job.setInputFormatClass(TextInputFormat.class);

        //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
        job.setMapperClass(MapJoinMapper.class);
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(NullWritable.class);

        //1.3 设置reduce数量
        job.setNumReduceTasks(1);
        //设置实现了reduce函数的类
        job.setReducerClass(MapJoinReducer.class);

        //设置reduce函数的key值
        job.setOutputKeyClass(Text.class);
        //设置reduce函数的value值
        job.setOutputValueClass(NullWritable.class);

        // 判断输出路径是否存在，如果存在，则删除
        Path mypath = new Path(args[2]);
        FileSystem hdfs = mypath.getFileSystem(conf);
        if (hdfs.isDirectory(mypath)) {
            hdfs.delete(mypath, true);
        }

        FileOutputFormat.setOutputPath(job, new Path(args[2]));

        return job.waitForCompletion(true) ? 0 : 1;
    }

    public static void main(String[] args)throws Exception{

        int exitCode = ToolRunner.run(new MapJoin(), args);
        System.exit(exitCode);
    }
}

执行脚本文件如下：：

/usr/local/src/hadoop-2.6.1/bin/hadoop jar MapJoin.jar 
hdfs://hadoop-master:8020/data/dept.txt 
hdfs://hadoop-master:8020/data/employee.txt 
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：

public class ReduceJoin extends Configured implements Tool {
    public static class JoinMapper extends
            Mapper<LongWritable,Text,Text,Text> {
        String employeeValue = "";
        protected void map(LongWritable key, Text value, Context context)
                throws IOException,InterruptedException {
            /*
             * 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
             */
            String filepath = ((FileSplit)context.getInputSplit()).getPath().toString();
            String line = value.toString();
            if (line == null || line.equals("")) return;

            if (filepath.indexOf("employee") != -1) {
                String[] lines = line.split(" ");
                if(lines.length < 4) return;

                String deptNo = lines[3];
                employeeValue = line + " a";
                context.write(new Text(deptNo),new Text(employeeValue));
            }

            else if(filepath.indexOf("dept") != -1) {
                String[] lines = line.split(" ");
                if(lines.length < 2) return;
                String deptNo = lines[0];
                context.write(new Text(deptNo), new Text(line + " b"));
            }
        }
    }

    public static class JoinReducer extends
            Reducer<Text, Text, Text, NullWritable> {
        protected void reduce(Text key, Iterable<Text> values,
                              Context context) throws IOException, InterruptedException{
            List<String[]> lista = new ArrayList<String[]>();
            List<String[]> listb = new ArrayList<String[]>();

            for(Text val:values) {
                String[] str = val.toString().split(" ");
                //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
                String flag = str[str.length -1];
                if("a".equals(flag)) {
                    //String valueA = str[0] + " " + str[1] + " " + str[2];
                    lista.add(str);
                } else if("b".equals(flag)) {
                    //String valueB = str[0] + " " + str[1];
                    listb.add(str);
                }
            }

            for (int i = 0; i < lista.size(); i++) {
                if (listb.size() == 0) {
                    continue;
                } else {
                    String[] stra = lista.get(i);
                    for (int j = 0; j < listb.size(); j++) {
                        String[] strb = listb.get(j);
                        String keyValue = stra[0] + " " + stra[1] + " " + stra[2] + " " + stra[3] + " " + strb[1];
                        context.write(new Text(keyValue), NullWritable.get());
                    }
                }
            }
        }
    }

    @Override
    public int run(String[] args) throws Exception {
        Configuration conf = getConf();
        GenericOptionsParser optionparser = new GenericOptionsParser(conf, args);
        conf = optionparser.getConfiguration();
        Job job = Job.getInstance(conf, "Reduce side join");
        job.setJarByClass(ReduceJoin.class);
        //1.1 设置输入目录和设置输入数据格式化的类
        //FileInputFormat.setInputPaths(job,new Path(args[0]));
        FileInputFormat.addInputPaths(job, conf.get("input_data"));

        job.setInputFormatClass(TextInputFormat.class);

        //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
        job.setMapperClass(JoinMapper.class);
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(Text.class);

        //1.3 设置reduce数量
        job.setNumReduceTasks(1);
        //设置实现了reduce函数的类
        job.setReducerClass(JoinReducer.class);

        //设置reduce函数的key值
        job.setOutputKeyClass(Text.class);
        //设置reduce函数的value值
        job.setOutputValueClass(NullWritable.class);

        // 判断输出路径是否存在，如果存在，则删除
        Path output_dir = new Path(conf.get("output_dir"));
        FileSystem hdfs = output_dir.getFileSystem(conf);
        if (hdfs.isDirectory(output_dir)) {
            hdfs.delete(output_dir, true);
        }

        FileOutputFormat.setOutputPath(job, output_dir);

        return job.waitForCompletion(true) ? 0 : 1;
    }

    public static void main(String[] args)throws Exception{
        int exitCode = ToolRunner.run(new ReduceJoin(), args);
        System.exit(exitCode);
    }
}

执行MapReduce的shell脚本如下：

/usr/local/src/hadoop-2.6.1/bin/hadoop jar ReduceJoin.jar 
-Dinput_data=hdfs://hadoop-master:8020/data/dept.txt,hdfs://hadoop-master:8020/data/employee.txt 
-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：