MapReduce 中的两表 join 几种方案简介
来源:互联网 发布:java全文检索 编辑:程序博客网 时间:2024/05/01 23:07
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 SemiJoin
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
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true negative,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10M以下的情况:
之所以我这里说小表要限制10M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~
001
public
class
Test {
002
003
public
static
class
MapperClass
extends
004
Mapper<LongWritable, Text, Text, Text> {
005
006
Configuration config =
null
;
007
HashSet<String> idSet =
new
HashSet<String>();
008
HashMap<String, String> cityIdNameMap =
new
HashMap<String, String>();
009
Map<String, String> houseTypeMap =
new
HashMap<String, String>();
010
011
public
void
setup(Context context) {
012
config = context.getConfiguration();
013
if
(config ==
null
)
014
return
;
015
String idStr = config.get(
"idStr"
);
016
String[] idArr = idStr.split(
","
);
017
for
(String id : idArr) {
018
idSet.add(id);
019
}
020
021
String cityIdNameStr = config.get(
"cityIdNameStr"
);
022
String[] cityIdNameArr = cityIdNameStr.split(
","
);
023
for
(String cityIdName : cityIdNameArr) {
024
cityIdNameMap.put(cityIdName.split(
"\t"
)[
0
],
025
cityIdName.split(
"\t"
)[
1
]);
026
}
027
028
houseTypeMap.put(
"8"
,
"Test"
);
029
030
}
031
032
public
void
map(LongWritable key, Text value, Context context)
033
throws
IOException, InterruptedException {
034
035
String[] info = value.toString().split(
"\\|"
);
036
String insertDate = info[InfoField.InsertDate].split(
" "
)[
0
]
037
.split(
"-"
)[
0
];
// date: 2012-10-01
038
insertDate = insertDate
039
+ info[InfoField.InsertDate].split(
" "
)[
0
].split(
"-"
)[
1
];
// date:201210
040
041
String userID = info[InfoField.UserID];
// userid
042
if
(!idSet.contains(userID)) {
043
return
;
044
}
045
046
String disLocalID =
""
;
047
String[] disLocalIDArr = info[InfoField.DisLocalID].split(
","
);
048
if
(disLocalIDArr.length >=
2
) {
049
disLocalID = disLocalIDArr[
1
];
050
}
else
{
051
try
{
052
disLocalID = disLocalIDArr[
0
];
053
}
catch
(Exception e) {
054
e.printStackTrace();
055
return
;
056
}
057
}
058
String localValue = cityIdNameMap.get(disLocalID);
059
disLocalID = localValue ==
null
? disLocalID : localValue;
// city
060
061
String[] cateIdArr = info[InfoField.CateID].split(
","
);
062
String cateId =
""
;
063
String secondType =
""
;
064
if
(cateIdArr.length >=
3
) {
065
cateId = cateIdArr[
2
];
066
if
(houseTypeMap.get(cateId) !=
null
) {
067
secondType = houseTypeMap.get(cateId);
// secondType
068
}
else
{
069
return
;
070
}
071
}
else
{
072
return
;
073
}
074
075
String upType = info[InfoField.UpType];
076
String outKey = insertDate +
"_"
+ userID +
"_"
+ disLocalID +
"_"
077
+ secondType;
078
String outValue = upType.equals(
"0"
) ?
"1_1"
:
"1_0"
;
079
context.write(
new
Text(outKey),
new
Text(outValue));
080
}
081
}
082
083
public
static
class
ReducerClass
extends
084
Reducer<Text, Text, NullWritable, Text> {
085
086
public
void
reduce(Text key, Iterable<Text> values, Context context)
087
throws
IOException, InterruptedException {
088
int
pv =
0
;
089
int
uv =
0
;
090
091
for
(Text val : values) {
092
String[] tmpArr = val.toString().split(
"_"
);
093
pv += Integer.parseInt(tmpArr[
0
]);
094
uv += Integer.parseInt(tmpArr[
1
]);
095
}
096
097
String outValue = key +
"_"
+ pv +
"_"
+ uv;
098
context.write(NullWritable.get(),
new
Text(outValue));
099
100
}
101
}
102
103
public
String getResource(String fileFullName)
throws
IOException {
104
// 返回读取指定资源的输入流
105
InputStream is =
this
.getClass().getResourceAsStream(fileFullName);
106
BufferedReader br =
new
BufferedReader(
new
InputStreamReader(is));
107
String s =
""
;
108
String res =
""
;
109
while
((s = br.readLine()) !=
null
)
110
res = res.equals(
""
) ? s : res +
","
+ s;
111
return
res;
112
}
113
114
public
static
void
main(String[] args)
throws
IOException,
115
InterruptedException, ClassNotFoundException {
116
Configuration conf =
new
Configuration();
117
String[] otherArgs =
new
GenericOptionsParser(conf, args)
118
.getRemainingArgs();
119
if
(otherArgs.length !=
2
) {
120
System.exit(
2
);
121
}
122
123
String idStr =
new
Test().getResource(
"userIDList.txt"
);
124
String cityIdNameStr =
new
Test().getResource(
"cityIdName.txt"
);
125
conf.set(
"idStr"
, idStr);
126
conf.set(
"cityIdNameStr"
, cityIdNameStr);
127
Job job =
new
Job(conf,
"test01"
);
128
// job.setInputFormatClass(TextInputFormat.class);
129
job.setJarByClass(Test.
class
);
130
job.setMapperClass(Test.MapperClass.
class
);
131
job.setReducerClass(Test.ReducerClass.
class
);
132
job.setNumReduceTasks(
25
);
133
job.setOutputKeyClass(Text.
class
);
134
job.setOutputValueClass(Text.
class
);
135
job.setMapOutputKeyClass(Text.
class
);
136
job.setMapOutputValueClass(Text.
class
);
137
138
FileInputFormat.addInputPath(job,
new
Path(otherArgs[
0
]));
139
org.apache.hadoop.mapreduce.lib.output.FileOutputFormat.setOutputPath(
140
job,
new
Path(otherArgs[
1
]));
141
142
System.exit(job.waitForCompletion(
true
) ?
0
:
1
);
143
}
144
}
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.htmlPS: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:
1
com.explorers.Test.
class
.getResourceAsStream(
"abc.jpg"
)
2
= com.explorers.Test.
class
.getResourceAsStream(
"/com/explorers/abc.jpg"
)
3
= ClassLoader.getResourceAsStream(
"com/explorers/abc.jpg"
)
http://macrochen.iteye.com/blog/293918
http://blogread.cn/it/article/3262?f=wb
- MapReduce 中的两表 join 几种方案简介
- MapReduce 中的两表 join 几种方案简介
- MapReduce 中的两表 join 几种方案简介
- MapReduce 中的两表 join 几种方案简介
- MapReduce 中的两表 join 几种方案简介
- MapReduce 中的两表 join 几种方案简介
- MapReduce 中的两表 join 几种方案简介
- MapReduce中的两表join几种方案简介
- MapReduce中的两表join几种方案简介
- MapReduce中的两表join几种方案简介
- MapReduce 中的两表 join 几种方案简介
- MapReduce 中的两表 join 几种方案简介
- MapReduce 中的两表 join 几种方案简介
- MapReduce 中的两表 join 几种方案简介
- MapReduce 中的两表 join
- MapReduce中两表join的几种方案
- MapReduce数据处理两表join连接
- MapReduce数据处理两表join连接
- hive sql执行计划树解析
- 黑马程序员 面向对象(上)
- 揭开Socket编程的面纱
- keyCode键码表
- PE
- MapReduce 中的两表 join 几种方案简介
- 将用DataSet获取所有的数据存入数组中去
- eclipese安装pydev(解决不显示pydev的设置项)
- Storm中Topology的状态
- Android Smart Image View
- Listener监听器一
- 关于kamailio-4.0.3版本,内存分配
- python之列表(list),元组(tuple),集合(set),字典(dict)
- HDoj 1181 变形课(深搜过)