当前位置: > Linux集群 > Hadoop >

MapReduce 中的两表 join 几种方案简介

时间:2016-11-27 02:37来源:linux.it.net.cn 作者:IT

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。

REF:hadoop join之reduce side join

http://blog.csdn.net/huashetianzu/article/details/7819244

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。

REF:hadoop join之map side join

http://blog.csdn.net/huashetianzu/article/details/7821674

2.3 Semi Join

Semi Join,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

REF:hadoop join之semi join

http://blog.csdn.net/huashetianzu/article/details/7823326

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 false positive,即:如果contains()返回true,则该元素一定可能在集合中。

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,具体参考:http://www.cnblogs.com/xuxm2007/archive/2011/09/03/2165805.html

4. 后记

最近一直在找工作,由于简历上写了熟悉Hadoop,所以几乎每个面试官都会问一些Hadoop相关的东西,而 Hadoop上Join的实现就成了一道必问的问题,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。为了更好地应对这些面试官,特整理此文章。

 

5. 参考资料

(1) 书籍《Data-Intensive Text Processing with MapReduce》 page 60~67 Jimmy Lin and Chris Dyer,University of Maryland, College Park

(2) 书籍《Hadoop In Action》page 107~131

(3) mapreduce的二次排序 SecondarySort:http://www.cnblogs.com/xuxm2007/archive/2011/09/03/2165805.html

(4) 半连接介绍:http://wenku.baidu.com/view/ae7442db7f1922791688e877.html

(5) BloomFilter介绍:http://blog.csdn.net/jiaomeng/article/details/1495500

(6)本文来自:http://dongxicheng.org/mapreduce/hadoop-join-two-tables/

————————————————————————————————————————————————

看完了上面的 hadoop 中 MR 常规 join 思路,下面我们来看一种比较极端的例子,大表 join 小表,而小表的大小在 5M 以下的情况:

之所以我这里说小表要限制 5M 以下,是因为我这里用到的思路是 :

file-》jar-》main String configuration -》configuration map HashMap

步骤:

1、从jar里面读取的文件内容以String的形式存在main方法的 configuration context 全局环境变量里

2、在map函数里读取 context 环境变量的字符串,然后split字符串组建小表成为一个HashMap

     这样一个大表关联小表的例子就ok了,由于context是放在namenode上的,而namenode对内存是有限制的,

所以你的小表文件不要太大,这样我们可以比较的方便的利用 context 做join了。

这种方式其实就是 2.2 map side join 的一种具体实现而已。

Talk is cheap, show you the code~

 

public class Test {

	public static class MapperClass extends
			Mapper<LongWritable, Text, Text, Text> {

		Configuration config = null;
		HashSet<String> idSet = new HashSet<String>();
		HashMap<String, String> cityIdNameMap = new HashMap<String, String>();
		Map<String, String> houseTypeMap = new HashMap<String, String>();

		public void setup(Context context) {
			config = context.getConfiguration();
			if (config == null)
				return;
			String idStr = config.get("idStr");
			String[] idArr = idStr.split(",");
			for (String id : idArr) {
				idSet.add(id);
			}

			String cityIdNameStr = config.get("cityIdNameStr");
			String[] cityIdNameArr = cityIdNameStr.split(",");
			for (String cityIdName : cityIdNameArr) {
				cityIdNameMap.put(cityIdName.split("\t")[0],
						cityIdName.split("\t")[1]);
			}

			houseTypeMap.put("8", "Test");

		}

		public void map(LongWritable key, Text value, Context context)
				throws IOException, InterruptedException {

			String[] info = value.toString().split("\\|");
			String insertDate = info[InfoField.InsertDate].split(" ")[0]
					.split("-")[0]; // date: 2012-10-01
			insertDate = insertDate
					+ info[InfoField.InsertDate].split(" ")[0].split("-")[1]; // date:201210

			String userID = info[InfoField.UserID]; // userid
			if (!idSet.contains(userID)) {
				return;
			}

			String disLocalID = "";
			String[] disLocalIDArr = info[InfoField.DisLocalID].split(",");
			if (disLocalIDArr.length >= 2) {
				disLocalID = disLocalIDArr[1];
			} else {
				try {
					disLocalID = disLocalIDArr[0];
				} catch (Exception e) {
					e.printStackTrace();
					return;
				}
			}
			String localValue = cityIdNameMap.get(disLocalID);
			disLocalID = localValue == null ? disLocalID : localValue; // city

			String[] cateIdArr = info[InfoField.CateID].split(",");
			String cateId = "";
			String secondType = "";
			if (cateIdArr.length >= 3) {
				cateId = cateIdArr[2];
				if (houseTypeMap.get(cateId) != null) {
					secondType = houseTypeMap.get(cateId); // secondType
				} else {
					return;
				}
			} else {
				return;
			}

			String upType = info[InfoField.UpType];
			String outKey = insertDate + "_" + userID + "_" + disLocalID + "_"
					+ secondType;
			String outValue = upType.equals("0") ? "1_1" : "1_0";
			context.write(new Text(outKey), new Text(outValue));
		}
	}

	public static class ReducerClass extends
			Reducer<Text, Text, NullWritable, Text> {

		public void reduce(Text key, Iterable<Text> values, Context context)
				throws IOException, InterruptedException {
			int pv = 0;
			int uv = 0;

			for (Text val : values) {
				String[] tmpArr = val.toString().split("_");
				pv += Integer.parseInt(tmpArr[0]);
				uv += Integer.parseInt(tmpArr[1]);
			}

			String outValue = key + "_" + pv + "_" + uv;
			context.write(NullWritable.get(), new Text(outValue));

		}
	}

	public String getResource(String fileFullName) throws IOException {
		// 返回读取指定资源的输入流
		InputStream is = this.getClass().getResourceAsStream(fileFullName);
		BufferedReader br = new BufferedReader(new InputStreamReader(is));
		String s = "";
		String res = "";
		while ((s = br.readLine()) != null)
			res = res.equals("") ? s : res + "," + s;
		return res;
	}

	public static void main(String[] args) throws IOException,
			InterruptedException, ClassNotFoundException {
		Configuration conf = new Configuration();
		String[] otherArgs = new GenericOptionsParser(conf, args)
				.getRemainingArgs();
		if (otherArgs.length != 2) {
			System.exit(2);
		}

		String idStr = new Test().getResource("userIDList.txt");
		String cityIdNameStr = new Test().getResource("cityIdName.txt");
		conf.set("idStr", idStr);
		conf.set("cityIdNameStr", cityIdNameStr);
		Job job = new Job(conf, "test01");
		// job.setInputFormatClass(TextInputFormat.class);
		job.setJarByClass(Test.class);
		job.setMapperClass(Test.MapperClass.class);
		job.setReducerClass(Test.ReducerClass.class);
		job.setNumReduceTasks(25);
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(Text.class);
		job.setMapOutputKeyClass(Text.class);
		job.setMapOutputValueClass(Text.class);

		FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
		org.apache.hadoop.mapreduce.lib.output.FileOutputFormat.setOutputPath(
				job, new Path(otherArgs[1]));

		System.exit(job.waitForCompletion(true) ? 0 : 1);
	}
}

说明:

1、getResource() 方法指定了可以从jar包中读取配置文件,并拼接成一个String返回。

2、setup() 方法起到一个mapreduce前的初始化的工作,他的作用是从 context 中

获取main中存入的配置文件字符串,并用来构建一个hashmap,放在map外面,

每个node上MR前只被执行一次。

3、注意上面代码的第 125、126 行,conf.set(key, value) 中的 value 大小是由限制的,

在 0.20.x 版本中是 5M 的大小限制,如果大于此大小建议采用分布式缓存读文件的策略。

参考:解决 hadoop jobconf 限制为5M的问题

http://my.oschina.net/132722/blog/174601

 

推荐阅读:

 

使用HBase的MAP侧联接

 http://blog.sina.com.cn/s/blog_ae33b83901016lkq.html 

 

PS:关于如何从jar包中读取配置文件,请参考:

(1)深入jar包:从jar包中读取资源文件      

     http://www.iteye.com/topic/483115

(2)读取jar内资源文件     

     http://heipark.iteye.com/blog/1439114

(3)Java相对路径读取资源文件    

         http://lavasoft.blog.51cto.com/62575/265821/

(4)Java加载资源文件时的路径问题   

         http://www.cnblogs.com/lmtoo/archive/2012/10/18/2729272.html

         如何优雅读取properties文件

         http://blogread.cn/it/article/3262?f=wb

注意:

不能先 getResource()  获取路径然后读取内容,

因为".../ResourceJar.jar!/resource/...."并不是文件资源定位符的格式。

所以,如果jar包中的类源代码用File f=new File(相对路径);的形式,是不可能定位到文件资源的。

这也是为什么源代码打包成jar文件后,调用jar包时会报出FileNotFoundException的症结所在了。

但可以通过Class类的getResourceAsStream()方法来直接获取文件内容 ,

这种方法是如何读取jar中的资源文件的,这一点对于我们来说是透明的。

而且 getResource() 和 getResourceAsStream() 在 maven 项目下对于相对、绝对路径的寻找规则貌似还不一样:

System.out.println(QQWryFile.class.getResource("/qqwry.dat").getFile()); 

System.out.println(QQWryFile.class.getClassLoader().getResourceAsStream("/qqwry.dat"));
System.out.println(QQWryFile.class.getClassLoader().getResourceAsStream("qqwry.dat"));

System.out.println(QQWryFile.class.getResourceAsStream("/qqwry.dat"));
System.out.println(QQWryFile.class.getResourceAsStream("qqwry.dat"));

TIPS:Class和ClassLoader的getResourceAsStream()方法的区别:

这两个方法还是略有区别的, 以前一直不加以区分,直到今天发现要写这样的代码的时候运行 
错误, 才把这个问题澄清了一下。 

基本上,两个都可以用于从 classpath 里面进行资源读取,  classpath包含classpath中的路径 
和classpath中的jar。 

两个方法的区别是资源的定义不同, 一个主要用于相对与一个object取资源,而另一个用于取相对于classpath的 
资源,用的是绝对路径。 

在使用Class.getResourceAsStream 时, 资源路径有两种方式, 一种以 / 开头,则这样的路径是指定绝对 
路径, 如果不以 / 开头, 则路径是相对与这个class所在的包的。 

在使用ClassLoader.getResourceAsStream时, 路径直接使用相对于classpath的绝对路径。 

举例,下面的三个语句,实际结果是一样的: 

com.explorers.Test.class.getResourceAsStream("abc.jpg") 
= com.explorers.Test.class.getResourceAsStream("/com/explorers/abc.jpg") 
= ClassLoader.getResourceAsStream("com/explorers/abc.jpg")

http://macrochen.iteye.com/blog/293918

http://blogread.cn/it/article/3262?f=wb



(责任编辑:IT)
------分隔线----------------------------