MapReduce实现两表的Join--原理及python和java代码实现
Posted 默一鸣
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了MapReduce实现两表的Join--原理及python和java代码实现相关的知识，希望对你有一定的参考价值。
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.
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。
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。
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reduce side join相同。
更多关于半连接的介绍，可参考：半连接介绍：http://wenku.baidu.com/view/ae7442db7f1922791688e877.html
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。
更多关于BloomFilter的介绍，可参考：http://blog.csdn.net/jiaomeng/article/details/1495500
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
- hadoop准备好数据后，将数据传送给java的map程序
- java的map程序将数据处理后，输出O1
- hadoop将O1打散、排序，然后传给不同的reduce机器
- 每个reduce机器将传来的数据传给reduce程序
- 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
- hadoop准备好数据后，将数据传送给java的map程序
- java的map程序将数据处理成“键/值”对，并传送给python的map程序
- python的map程序将数据处理后，将结果传回给java的map程序
- java的map程序将数据输出为O1
- hadoop将O1打散、排序，然后传给不同的reduce机器
- 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
- python的reduce程序将数据处理后，将结果返回给java的reduce程序
- 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 |
| 01 | name1 |
| 02 | name2 |
| 03 | name3 |
| 04 | name4 |
数据事例2:-学生成绩：
| 学号sno | 课程号courseno | 成绩grade |
| 01 | 01 | 80 |
| 01 | 02 | 90 |
| 02 | 01 | 82 |
| 02 | 02 | 95 |
期待的最终输出：
| 学号sno | 姓名name | 课程courseno | 成绩grade |
| 01 | name1 | 01 | 80 |
| 01 | name1 | 02 | 90 |
| 02 | name2 | 01 | 82 |
| 02 | name2 | 02 | 95 |
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：
- 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
- 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
- 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：
以上是关于MapReduce实现两表的Join--原理及python和java代码实现的主要内容，如果未能解决你的问题，请参考以下文章
MapReduce实现两表的Join--原理及python和java代码实现