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./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./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：