最近在准备抽取数据的工作。有一个id集合200多M，要从另一个500GB的数据集合中抽取出所有id集合中包含的数据集。id数据集合中每一个行就是一个id的字符串（Reduce side join要在每行的行尾加“,”号，而Map side join不必，如果加了也可以处理掉），类似，500GB的数据集合中每一行是某一id对应的全记录，用“,”号分隔。
为什么不在hive或者pig下面搞这个操作呢？主要是因为Hive配置了Kerberos认证之后，还有一个问题没有解决，包含metastore的主机无法从namenode主机获取票据，所以就暂时放一放吧。用MapReduce来搞吧。在Hive下比较方便，但在MapReduce中实现就比较麻烦。
1、概述
在传统数据库（如：MySql）中，JOIN操作常常是非常耗时的。而在HADOOP中进行JOIN操作，同样常见且耗时，由于Hadoop的独特设计思想，当进行JOIN操作时，有一些特殊的技巧。下面分别介绍MapReduce中的几种常见join，比如有最常见的 map side join，reduce side join，semi join（这些在Hive中都有） 等。Map side 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，会造成大量的网络IO，效率低下，但在有些时候也是非常有用的。
2. 常见的join方法介绍
2.1 map side join
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须 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://namenode:9000/home/XXX/file，其中9000是自己配置的NameNode端口号）。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。
package com.unionpayadvisors; import java.io.BufferedReader; import java.io.FileReader; import java.io.IOException; import java.util.HashSet; import java.util.Set; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.conf.Configured; import org.apache.hadoop.filecache.DistributedCache; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.NullWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Job; import org.apache.hadoop.mapreduce.Mapper; 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.mapreduce.lib.output.TextOutputFormat; import org.apache.hadoop.util.GenericOptionsParser; import org.apache.hadoop.util.Tool; import org.apache.hadoop.util.ToolRunner; import org.hsqldb.lib.StringUtil; import redis.clients.jedis.Jedis; import redis.clients.jedis.JedisPool; public class AccountTableJoin extends Configured implements Tool { private static WriteLog log = WriteLog.getInstance(); private static String parseRaw(String str) { if (StringUtil.isEmpty(str)) { return str; } str = str.trim(); if (str.startsWith(""")) { str = str.substring(1); } if (str.endsWith(""")) { str = str.substring(0, str.length() - 1); } return str.trim(); } public static class MapClass extends Mapper<LongWritable, Text, Text, NullWritable> { // 用于缓存 user_account 中的数据 private Set<String> accountSet = new HashSet<String>(); private Text accKey = new Text(); private NullWritable nullValue = NullWritable.get(); private String[] kv; private Jedis jedis = new JedisPool("192.168.2.101", 6379).getResource(); // 此方法会在map方法执行之前执行 // @Override protected void setup(Context context) throws IOException,InterruptedException { BufferedReader in = null; try { // 从当前作业中获取要缓存的文件 Path[] paths = DistributedCache.getLocalCacheFiles(context .getConfiguration()); String accountLine = null; for (Path path : paths) { if (path.toString().contains("account")) { in = new BufferedReader(new FileReader(path.toString())); while (null != (accountLine = in.readLine())) { log.logger("AccountTableJoin", "accountSet="+parseRaw(accountLine.split(",", -1)[0])); accountSet.add(parseRaw(accountLine.split(",", -1)[0])); } } } } catch (IOException e) { e.printStackTrace(); } finally { try { if (in != null) { in.close(); } } catch (IOException e) { e.printStackTrace(); } } } public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { kv = value.toString().split(","); //map join: 在map阶段过滤掉不需要的数据 if(kv.length==4&&accountSet.contains(parseRaw(kv[0]))){ accKey.set(value); context.write(accKey, nullValue); } } } public int run(String[] args) throws Exception { log.logger("XXXXXXXXX", "begin in"); Job job = new Job(getConf(), "AccountTableJoin"); job.setJobName("AccountTableJoin"); job.setJarByClass(AccountTableJoin.class); job.setMapperClass(MapClass.class); job.setInputFormatClass(TextInputFormat.class); job.setOutputFormatClass(TextOutputFormat.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(NullWritable.class); String[] otherArgs = new GenericOptionsParser(job.getConfiguration(), args).getRemainingArgs(); FileInputFormat.addInputPath(job, new Path(otherArgs[0])); FileOutputFormat.setOutputPath(job, new Path(otherArgs[1])); return job.waitForCompletion(true) ? 0 : 1; } public static void main(String[] args) throws Exception { int res = ToolRunner.run(new Configuration(), new AccountTableJoin(), args); System.exit(res); } /* * hadoop jar AccountTableJoin.jar AccountTableJoin * /user/he/sample_account.del /user/he/SAMPLE_SUM_2012070809101112.del * /user/he/ACCOUNT_JOIN_RESULT */ }
WriteLog代码：
package com.unionpayadvisors; import java.io.File; import java.io.FileNotFoundException; import java.io.FileOutputStream; import java.io.PrintWriter; import java.util.Calendar; public class WriteLog { /**写日志<br> * 写logString字符串到./log目录下的文件中 * @param logString 日志字符串 * @author tower */ private static WriteLog instance = null; private WriteLog(){}; public static WriteLog getInstance() { if( instance == null ) { instance = new WriteLog(); } return instance; } public void logger(String fileNameHead,String logString) { try { String logFilePathName=null; Calendar cd = Calendar.getInstance();//日志文件时间 int year=cd.get(Calendar.YEAR); String month=addZero(cd.get(Calendar.MONTH)+1); String day=addZero(cd.get(Calendar.DAY_OF_MONTH)); String hour=addZero(cd.get(Calendar.HOUR_OF_DAY)); String min=addZero(cd.get(Calendar.MINUTE)); String sec=addZero(cd.get(Calendar.SECOND)); File fileParentDir=new File("./log");//判断log目录是否存在 if (!fileParentDir.exists()) { fileParentDir.mkdir(); } if (fileNameHead==null||fileNameHead.equals("")) { logFilePathName="./log/"+year+month+day+hour+".log";//日志文件名 }else { logFilePathName="./log/"+fileNameHead+year+month+day+hour+".log";//日志文件名 } PrintWriter printWriter=new PrintWriter(new FileOutputStream(logFilePathName, true));//紧接文件尾写入日志字符串 String time="["+year+month+day+"-"+hour+":"+min+":"+sec+"] "; printWriter.println(time+logString); printWriter.flush(); } catch (FileNotFoundException e) { // TODO Auto-generated catch block e.getMessage(); } } /**整数i小于10则前面补0 * @param i * @return * @author tower */ public static String addZero(int i) { if (i<10) { String tmpString="0"+i; return tmpString; } else { return String.valueOf(i); } } }
2.2 reduce side join
reduce side join是一种最简单的join方式， 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。Reduce side join是非常低效的，因为shuffle阶段要进行大量的数据传输。
假设要进行join的数据分别来自File1和File2.
在map阶段，map函数同时读取两个文件File1和File2，为了区分两种来源的key/value数据对，对每条数据打一个标签（tag）,比如：tag=0表示来自文件File1，tag=2表示来自文件File2。即：map阶段的主要任务是对不同文件中的数据打标签。
在reduce阶段，reduce函数获取key相同的来自File1和File2文件的value list， 然后对于同一个key，对File1和File2中的数据进行join（笛卡尔乘积）。即：reduce阶段进行实际的连接操作。
代码如下（需要再次修改）：
package com.unionpayadvisors; import java.io.BufferedReader; import java.io.FileReader; import java.io.IOException; import java.util.HashSet; import java.util.Set; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.conf.Configured; import org.apache.hadoop.filecache.DistributedCache; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.NullWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Job; import org.apache.hadoop.mapreduce.Mapper; 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.mapreduce.lib.output.TextOutputFormat; import org.apache.hadoop.util.GenericOptionsParser; import org.apache.hadoop.util.Tool; import org.apache.hadoop.util.ToolRunner; import org.hsqldb.lib.StringUtil; import redis.clients.jedis.Jedis; import redis.clients.jedis.JedisPool; public class AccountTableJoin extends Configured implements Tool { private static WriteLog log = WriteLog.getInstance(); private static String parseRaw(String str) { if (StringUtil.isEmpty(str)) { return str; } str = str.trim(); if (str.startsWith(""")) { str = str.substring(1); } if (str.endsWith(""")) { str = str.substring(0, str.length() - 1); } return str.trim(); } public static class MapClass extends Mapper<LongWritable, Text, Text, NullWritable> { // 用于缓存 user_account 中的数据 private Set<String> accountSet = new HashSet<String>(); private Text accKey = new Text(); private NullWritable nullValue = NullWritable.get(); private String[] kv; private Jedis jedis = new JedisPool("192.168.2.101", 6379).getResource(); // 此方法会在map方法执行之前执行 // @Override protected void setup(Context context) throws IOException,InterruptedException { BufferedReader in = null; try { // 从当前作业中获取要缓存的文件 Path[] paths = DistributedCache.getLocalCacheFiles(context .getConfiguration()); String accountLine = null; for (Path path : paths) { if (path.toString().contains("account")) { in = new BufferedReader(new FileReader(path.toString())); while (null != (accountLine = in.readLine())) { log.logger("AccountTableJoin", "accountSet="+parseRaw(accountLine.split(",", -1)[0])); accountSet.add(parseRaw(accountLine.split(",", -1)[0])); } } } } catch (IOException e) { e.printStackTrace(); } finally { try { if (in != null) { in.close(); } } catch (IOException e) { e.printStackTrace(); } } } public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { kv = value.toString().split(","); //map join: 在map阶段过滤掉不需要的数据 if(kv.length==4&&accountSet.contains(parseRaw(kv[0]))){ accKey.set(value); context.write(accKey, nullValue); } // log.logger("XXXXXXXXX", "length!" + kv.length); // if (kv.length == 53) { // context.write(new Text(String.valueOf(parseRaw(kv[53 - 1])+":"+jedis.exists(parseRaw(kv[53 - 1])))), nullValue); // // log.logger("XXXXXXXXX", "Jedis!" + parseRaw(kv[53 - 1])); // if (jedis.exists(parseRaw(kv[53 - 1]))) { // // log.logger("XXXXXXXXX", "jedis.exists" // + jedis.exists(parseRaw(kv[53 - 1]))); // accKey.set(value); // context.write(accKey, nullValue); // } } } public int run(String[] args) throws Exception { log.logger("XXXXXXXXX", "begin in"); Job job = new Job(getConf(), "AccountTableJoin"); job.setJobName("AccountTableJoin"); job.setJarByClass(AccountTableJoin.class); job.setMapperClass(MapClass.class); job.setInputFormatClass(TextInputFormat.class); job.setOutputFormatClass(TextOutputFormat.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(NullWritable.class); String[] otherArgs = new GenericOptionsParser(job.getConfiguration(), args).getRemainingArgs(); FileInputFormat.addInputPath(job, new Path(otherArgs[0])); FileOutputFormat.setOutputPath(job, new Path(otherArgs[1])); return job.waitForCompletion(true) ? 0 : 1; } public static void main(String[] args) throws Exception { log.logger("XXXXXXXXX", "begin connection Jedis!"); // jedis=jedisPool.getResource(); // log.logger("XXXXXXXXX", "find "7a5abdf04ce2350424907bf234d8ac80"" // + jedis.get("7a5abdf04ce2350424907bf234d8ac80")); // log.logger("XXXXXXXXX", "exsit "7a5abdf04ce2350424907bf234d8ac80"" // + jedis.exists("7a5abdf04ce2350424907bf234d8ac80")); int res = ToolRunner.run(new Configuration(), new AccountTableJoin(), args); // jedisPool.returnResource(jedis); // jedisPool.destroy(); log.logger("XXXXXXXXX", "connection Jedis end!"); System.exit(res); } /* * hadoop jar AccountTableJoin.jar AccountTableJoin * /user/he/sample_account.del /user/he/SAMPLE_SUM_2012070809101112.del * /user/he/ACCOUNT_JOIN_RESULT */ }
2.3 SemiJoin
SemiJoin，也叫半连接，是从分布式数据库中借鉴过来的方法。它的产生动机是：对于reduce side join，跨机器的数据传输量非常大，这成了join操作的一个瓶颈，如果能够在map端过滤掉不会参加join操作的数据，则可以大大节省网络IO。
实现方法很简单：选取一个小表，假设是File1，将其参与join的key抽取出来，保存到文件File3中，File3文件一般很小，可以放到内存中。在map阶段，使用DistributedCache将File3复制到各个TaskTracker上，然后将File2中不在File3中的key对应的记录过滤掉，剩下的reduce阶段的工作与reducee side join相同。
2.4 reduce side join + BloomFilter
在某些情况下，SemiJoin抽取出来的小表的key集合在内存中仍然存放不下，这时候可以使用BloomFiler以节省空间。
BloomFilter最常见的作用是：判断某个元素是否在一个集合里面。它最重要的两个方法是：add() 和contains()。最大的特点是不会存在false negative，即：如果contains()返回false，则该元素一定不在集合中，但会存在一定的true negative，即：如果contains()返回true，则该元素可能在集合中。
因而可将小表中的key保存到BloomFilter中，在map阶段过滤大表，可能有一些不在小表中的记录没有过滤掉（但是在小表中的记录一定不会过滤掉），这没关系，只不过增加了少量的网络IO而已。
Hadoop面试的时候也会问到 Hadoop上Join的实现，几乎是一道必问的问题，而极个别公司还会涉及到DistributedCache原理以及怎样利用DistributedCache进行Join操作。