MapReduce实现两表的Join--原理及python和java代码实现⽤Hive⼀句话搞定的，但是有时必须要⽤mapreduce
⽅法介绍
1. 概述
在传统数据库（如：MYSQL）中，JOIN操作是⾮常常见且⾮常耗时的。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。
本⽂⾸先介绍了Hadoop上通常的JOIN实现⽅法，然后给出了⼏种针对不同输⼊数据集的优化⽅法。
2. 常见的join⽅法介绍
假设要进⾏join的数据分别来⾃File1和File2.
2.1 reduce side join
reduce side join是⼀种最简单的join⽅式，其主要思想如下：
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。
2.2 map side join
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。
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LocalCacheFiles()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。
2.3 SemiJoin
2.4 reduce side join + BloomFilter
3. ⼆次排序
在Hadoop中，默认情况下是按照key进⾏排序，如果要按照value进⾏排序怎么办？即：对于同⼀个key，reduce函数接收到的value list 是按照value排序的。这种应⽤需求在join操作中很常见，⽐如，希望相同的key中，⼩表对应的value排在前⾯。
有两种⽅法进⾏⼆次排序，分别为：buffer and in memory sort和 value-to-key conversion。
对于buffer and in memory sort，主要思想是：在reduce()函数中，将某个key对应的所有value保存下来，然后进⾏排序。 这种⽅法最⼤的缺点是：可能会造成out of memory。
对于value-to-key conversion，主要思想是：将key和部分value拼接成⼀个组合key（实现WritableComparable接⼝或者调⽤setSortComparatorClass函数），这样reduce获取的结果便是先按key排序，后按value排序的结果，需要注意的是，⽤户需要⾃⼰实现Paritioner，以便只按照key进⾏数据划分。Hadoop显式的⽀持⼆次排序，在Configuration类中有个setGroupingComparatorClass()⽅法，可⽤于设置排序group的key值，
reduce-side-join python代码
hadoop有个⼯具叫做steaming，能够⽀持python、shell、C++、PHP等其他任何⽀持标准输⼊stdin及标准输出stdout的语⾔，其运⾏原理可以通过和标准java的map-reduce程序对⽐来说明：
使⽤原⽣java语⾔实现Map-reduce程序
1. hadoop准备好数据后，将数据传送给java的map程序
2. java的map程序将数据处理后，输出O1
3. hadoop将O1打散、排序，然后传给不同的reduce机器
4. 每个reduce机器将传来的数据传给reduce程序
5. reduce程序将数据处理，输出最终数据O2
借助hadoop streaming使⽤python语⾔实现Map-reduce程序
1. hadoop准备好数据后，将数据传送给java的map程序
2. java的map程序将数据处理成“键/值”对，并传送给python的map程序
3. python的map程序将数据处理后，将结果传回给java的map程序
4. java的map程序将数据输出为O1
5. hadoop将O1打散、排序，然后传给不同的reduce机器
6. 每个reduce机器将传来的数据处理成“键/值”对，并传送给python的reduce程序
7. python的reduce程序将数据处理后，将结果返回给java的reduce程序
8. java的reduce程序将数据处理，输出最终数据O2
上⾯红⾊表⽰map的对⽐，蓝⾊表⽰reduce的对⽐，可以看出streaming程序多了⼀步中间处理，这样
说来steaming程序的效率和性能应该低于java版的程序，然⽽python的开发效率、运⾏性能有时候会⼤于java，这就是streaming的优势所在。
hadoop之实现集合join的需求
hadoop是⽤来做数据分析的，⼤都是对集合进⾏操作，因此该过程中将集合join起来使得⼀个集合能得到另⼀个集合对应的信息的需求⾮常常见。
⽐如以下这个需求，有两份数据：学⽣信息（学号，姓名）和学⽣成绩（学号、课程、成绩），特点是有个共同的主键“学号”，现在需要将两者结合起来得到数据（学号，姓名，课程，成绩），计算公式：
（学号，姓名） join （学号，课程，成绩）= （学号，姓名，课程，成绩）
数据事例1-学⽣信息：
学号sno姓名name
01name1
02name2
03name3
04name4
数据事例2:-学⽣成绩：
学号sno课程号courseno成绩grade
010180
010290
020182
020295
期待的最终输出：
学号sno姓名name课程courseno成绩grade
01name10180
01name10290
02name20182
02name20295
实现join的注意点和易踩坑总结
如果你想写⼀个完善健壮的map reduce程序，我建议你⾸先弄清楚输⼊数据的格式、输出数据的格式，然后⾃⼰⼿动构建输⼊数据并⼿动计算出输出数据，这个过程中你会发现⼀些写程序中需要特别处理的地⽅：
1. 实现join的key是哪个，是1个字段还是2个字段，本例中key是sno，1个字段
2. 每个集合中key是否可以重复，本例中数据1不可重复，数据2的key可以重复
3. 每个集合中key的对应值是否可以不存在，本例中有学⽣会没成绩，所以数据2的key可以为空
第1条会影响到hadoop启动脚本中key.fields和partition的配置，第2条会影响到map-reduce程序中具体的代码实现⽅式，第3条同样影响代码编写⽅式。
hadoop实现join操作的思路
具体思路是给每个数据源加上⼀个数字标记label，这样hadoop对其排序后同⼀个字段的数据排在⼀起并且按照label排好序了，于是直接将相邻相同key的数据合并在⼀起输出就得到了结果。
1、 map阶段：给表1和表2加标记，其实就是多输出⼀个字段，⽐如表⼀加标记为0，表2加标记为2；
2、 partion阶段：根据学号key为第⼀主键，标记label为第⼆主键进⾏排序和分区
3、 reduce阶段：由于已经按照第⼀主键、第⼆主键排好了序，将相邻相同key数据合并输出
hadoop使⽤python实现join的map和reduce代码
mapper.py的代码：
python转java代码
1 2# -*- coding: utf-8 -*-#Mapper.py
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30import os
import sys
#mapper脚本
def mapper():
#获取当前正在处理的⽂件的名字，这⾥我们有两个输⼊⽂件
#所以要加以区分
viron["map_input_file"]
filename=os.path.split(filepath)[-1]
for line in sys.stdin:
if line.strip()=="":
continue
fields=line[:-1].split("\t")
sno=fields[0]
#以下判断filename的⽬的是不同的⽂件有不同的字段，并且需加上不同的标记if filename=='data_info':
name=fields[1]
#下⾯的数字'0'就是为数据源1加上的统⼀标记
print '\t'.join((sno,'0',name))
elif filename=='data_grade':
courseno=fields[1]
grade=fields[2]
#下⾯的数字'1'就是为数据源1加上的统⼀标记
print '\t'.join((sno,'1',courseno,grade))
if __name__=='__main__':
mapper()
reducer的代码：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33# -*- coding: utf-8 -*-
#reducer.py
import sys
def reducer():
#为了记录和上⼀个记录的区别，⽤lastsno记录上个sno
lastsno=""
for line in sys.stdin:
if line.strip()=="":
continue
fields=line[:-1].split("\t")
sno=fields[0]
'''
处理思路：
遇见当前key与上⼀条key不同并且label=0，就记录下来name值，
当前key与上⼀条key相同并且label==1，则将本条数据的courseno、grade联通上⼀条记录的name⼀起输出成最终结果
'''
if sno!=lastsno:
name=""
#这⾥没有判断label==1的情况，
#因为sno!=lastno，并且label=1表⽰该条key没有数据源1的数据
if fields[1]=="0":
name=fields[2]
elif sno==lastno:
#这⾥没有判断label==0的情况，
#因为sno==lastno并且label==0表⽰该条key没有数据源2的数据
if fields[2]=="1":
courseno=fields[2]
grade=fields[3]
if name:
print '\t'.join((lastsno,name,courseno,grade))
34 35 36 37 38lastsno=sno
if __name__=='__main__': reducer()
使⽤shell脚本启动hadoop程序的⽅法：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23#先删除输出⽬录
~/hadoop-client/hadoop/bin/hadoop fs-rmr/hdfs/jointest/output #注意，下⾯配置中的环境值每个⼈机器不⼀样
~/hadoop-client/hadoop/bin/hadoop streaming \
-D mapred.map.tasks=10\
-duce.tasks=5\
-D mapred.job.map.capacity=10\
-D duce.capacity=5\
-D mapred.job.name="join--sno_name-sno_courseno_grade"\
-D num.key.fields.for .partition=1\
-D stream.num.map.output.key.fields=2\
-partitioner org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner \
-input "/hdfs/jointest/input/*"\
-output "/hdfs/jointest/output"\
-mapper "python26/bin/python26.sh mapper.py"\
-reducer "python26/bin/python26.sh reducer.py"\
-file "mapper.py"\
-file "reducer.py"\
-cacheArchive "/share/#python26"
#看看运⾏成功没，若输出0则表⽰成功了
echo $?
可以⾃⼰⼿⼯构造输⼊输出数据进⾏测试，本程序是验证过的。
更多需要注意的地⽅
hadoop的join操作可以分为很多类型，各种类型脚本的编写有所不同，其分类是按照key字段数⽬、value字段数⽬、key是否可重复来划分的，以下是⼀个个⼈总结的对照表，表⽰会影响的地⽅：
影响类
型
影响的范围
key字段数⽬1、启动脚本中num.key.fields.for.partition的配置2、启动脚本中stream.num.map.output.key.fields的配置
3、map和reduce脚本中key的获取
4、map和reduce脚本中每⼀条数据和上⼀条数据⽐较的⽅法key是否可重复如果数据源1可重复，标记为M；数据源2可重复标记为N，那么join可以分为：1*1、M*1、M*N类型
1*1类型：reduce中先记录第⼀个value，然后在下⼀条直接合并输出；
M*1类型：将类型1作为标记⼩的输出，然后每次遇见label=1就记录value，每遇见⼀次label=2就输出⼀次最终结果；
M*N类型：遇见类型1，就⽤数组记录value值，遇见label=2就将将记录的数组值全部连同该⾏value输出。value字段数⽬影响每次
label=1时记录的数据个数，需要将value都记录下来
reduce-side-join java代码

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。