一起学Hadoop——实现两张表之间的连接操作

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:

  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             //从缓存的中读取文件。 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                 // 一行一行读取 39                 while ((str = reader.readLine()) != null) { 40                     // 对缓存中的数据以" "分隔符进行分隔。 41                     String[] splits = str.split(" "); 42                     // 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 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             // 获取从HDFS中加载的表 56             String[] values = value.toString().split(" "); 57             // 获取关联字段depNo，这个字段是关键 58             int depNo = Integer.parseInt(values[3]); 59             // 根据deptNo从内存中的关联表中获取要关联的属性depName 60             String depName = deptData.get(depNo); 61             String resultData = value.toString() + " " + depName; 62             // 将数据通过context写入到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         //将小表加载到缓存中。 78         job.addCacheFile(new URI(args[0])); 79         job.setJarByClass(MapJoinMapper.class); 80         //1.1 设置输入目录和设置输入数据格式化的类 81         FileInputFormat.setInputPaths(job,new Path(args[1])); 82         job.setInputFormatClass(TextInputFormat.class); 83  84         //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 85         job.setMapperClass(MapJoinMapper.class); 86         job.setMapOutputKeyClass(Text.class); 87         job.setMapOutputValueClass(NullWritable.class); 88  89         //1.3 设置reduce数量 90         job.setNumReduceTasks(1); 91         //设置实现了reduce函数的类 92         job.setReducerClass(MapJoinReducer.class); 93  94         //设置reduce函数的key值 95         job.setOutputKeyClass(Text.class); 96         //设置reduce函数的value值 97         job.setOutputValueClass(NullWritable.class); 98  99         // 判断输出路径是否存在，如果存在，则删除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 }

执行脚本文件如下：：

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

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：

  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  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 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 设置输入目录和设置输入数据格式化的类 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 设置自定义Mapper类和设置map函数输出数据的key和value的类型 81         job.setMapperClass(JoinMapper.class); 82         job.setMapOutputKeyClass(Text.class); 83         job.setMapOutputValueClass(Text.class); 84  85         //1.3 设置reduce数量 86         job.setNumReduceTasks(1); 87         //设置实现了reduce函数的类 88         job.setReducerClass(JoinReducer.class); 89  90         //设置reduce函数的key值 91         job.setOutputKeyClass(Text.class); 92         //设置reduce函数的value值 93         job.setOutputValueClass(NullWritable.class); 94  95         // 判断输出路径是否存在，如果存在，则删除 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 }

执行MapReduce的shell脚本如下：

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

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。

作者：Summer哥 
出处：https://www.cnblogs.com/airnew/p/9689809.html