MapReduce设计模式总结
来源：互联网 发布：淘宝广告自己跳出来 编辑：程序博客网 时间：2024/05/16 08:20
MapReduce中的两表join方案简介
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）
2.1reduce side join（常规模式：在reduce端进行join操作）
reduceside 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=1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valuelist，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。
实例分析：假设我们有两个数据文件如下所示：
代码实现：
publicclass MyJoin{
public static class MapClass extendsMapper<LongWritable, Text, Text, Text>{
//最好在map方法外定义变量，以减少map计算时创建对象的个数
private Text key = new Text();
private Text value = new Text();
private String[] keyValue = null;
@Override
protected void map(LongWritable key,Text value, Context context)throws IOException, InterruptedException{
//采用的数据输入格式是TextInputFormat，文件被分为一系列以换行或者制表符结束的行
//key是每一行的位置（偏移量,LongWritable类型），
//value是每一行的内容,Text类型，所有我们要把key从value中解析出来
keyValue =value.toString().split(",", 2);
this.key.set(keyValue[0]);
this.value.set(keyValue[1]);
context.write(this.key,this.value);
}
}
publicstatic class Reduce extends Reducer<Text, Text, Text, Text> {
//最好在reduce方法外定义变量，以减少reduce计算时创建对象的个数
private Text value = new Text();
@Override
protected void reduce(Text key,Iterable<Text> values, Context context) throws IOException,InterruptedException{
StringBuilder valueStr = newStringBuilder();
//values中的每一个值是不同数据文件中的具有相同key的值
//即是map中输出的多个文件相同key的value值集合
for(Text val : values){
valueStr.append(val);
valueStr.append(",");
}
this.value.set(valueStr.deleteCharAt(valueStr.length()-1).toString());
context.write(key, this.value);
}
}
public static void main(String[] args)throws Exception{
Configuration conf = newConfiguration();
Job job = new Job(conf,"MyJoin");
job.setJarByClass(MyJoin.class);
job.setMapperClass(MapClass.class);
job.setReducerClass(Reduce.class);
//job.setCombinerClass(Reduce.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(Text.class);
//分别采用TextInputFormat和TextOutputFormat作为数据的输入和输出格式
//如果不设置，这也是Hadoop默认的操作方式
job.setInputFormatClass(TextInputFormat.class);
job.setOutputFormatClass(TextOutputFormat.class);
FileInputFormat.addInputPath(job, newPath(args[0]));
FileOutputFormat.setOutputPath(job, newPath(args[1]));
System.exit(job.waitForCompletion(true)? 0 : 1);
}
}
2.2 mapside join（map端进行join操作，而无需reduce阶段。其中两个表规模相差较大，即大小表join操作）
之所以存在reduceside 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。Reduceside join是非常低效的，因为shuffle阶段要进行大量的数据传输。
Mapside 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maptask内存中存在一份（比如存放到hashtable中），然后只扫描大表：对于大表中的每一条记录key/value，在hashtable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。
在本例中，我们仍然采用上一例中的数据文件。本实例中的运行参数需要三个，加入在hdfs中有两个目录input和input2，其中input2存放user.csv，input存放order.csv，则运行命令格式如下：
hadoopjar xxx.jar JoinWithDistribute input2/user.csv input output
代码实现：
public class JoinWithDistribute extendsConfigured implements Tool{
public static class MapClass extendsMapReduceBase implements Mapper<LongWritable, Text, Text, Text>{
//用于缓存小表的数据，在这里我们缓存user.csv文件中的数据
private Map<String, String> users = new HashMap<String,String>();
private Text outKey = new Text();
private Text outValue = new Text();
//此方法会在map方法执行之前执行
@Override
public void configure(JobConf job){//将小表中的数据缓存到DistributedCache中，用于和大表join
BufferedReader in = null;
try{//从当前作业中获取要缓存的文件
Path[] paths =DistributedCache.getLocalCacheFiles(job);
String user = null;
String[] userInfo = null;
for (Path path : paths){
if(path.toString().contains("user.csv")){
in = newBufferedReader(new FileReader(path.toString()));
while (null != (user =in.readLine())){
userInfo =user.split(",", 2);
//缓存文件中的数据
users.put(userInfo[0], userInfo[1]);
}
}
}
}catch (IOException e){
e.printStackTrace();
}finally{
try{
in.close();
} catch (IOException e) {
e.printStackTrace();
}
}
}
public voidmap(LongWritable key, Text value, OutputCollector<Text, Text> output, Reporterreporter) throws IOException{
//首先获取order文件中每条记录的userId，再去缓存中取得相同userId的user记录，合并两记录并输出之。
String[] order =value.toString().split(",");
String user =users.get(order[0]);
if(user != null){
outKey.set(user);
outValue.set(order[1]);
output.collect(outKey,outValue);
}
}
}
public int run(String[] args) throws Exception{
JobConf job = new JobConf(getConf(), JoinWithDistribute.class);
job.setJobName("JoinWithDistribute");
job.setMapperClass(MapClass.class);
job.setNumReduceTasks(0);//注意：Mapside join无需Reduce的参与！
job.setInputFormat(TextInputFormat.class);
job.setOutputFormat(TextOutputFormat.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(Text.class);
//我们把第一个参数的地址作为要缓存的文件路径
DistributedCache.addCacheFile(newPath(args[0]).toUri(), job);
FileInputFormat.setInputPaths(job, new Path(args[1]));
FileOutputFormat.setOutputPath(job, new Path(args[2]));
JobClient.runJob(job);
return 0;
}
public static void main(String[] args) throws Exception{
int res = ToolRunner.run(new Configuration(), new JoinWithDistribute(),args);
System.exit(res);
}
}
2.3SemiJoin（在Map阶段过滤掉大表中不参与join操作的数据，并在Reduce阶段进行join操作）
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reduceside 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reduceside join相同。
此实例中，还是采用第一个实例中的数据，假如我们只过滤sex为1的user，并将key存于user_id文件中（注意：每行的数据一定要带上双引号啊），如下：
代码实现：
public class SemiJoin extends Configuredimplements Tool{
public static class MapClass extends Mapper<LongWritable, Text, Text,Text>{
// 用于缓存user_id文件中的数据
private Set<String> userIds = new HashSet<String>();
private Text key = new Text();
private Text value = new Text();
private String[] keyValue;
// 此方法会在map方法执行之前执行
@Override
protected void setup(Context context) throws IOException,InterruptedException {
BufferedReader in = null;
try{// 从当前作业中获取要缓存的文件
Path[] paths =DistributedCache.getLocalCacheFiles(context.getConfiguration());
String userId = null;
for (Path path : paths){
if(path.toString().contains("user_id")){
in = newBufferedReader(new FileReader(path.toString()));
while (null != (userId =in.readLine())){
userIds.add(userId);
}
}
}
}catch (IOException e){
e.printStackTrace();
}finally{
try{
if(in != null){
in.close();
}
}catch (IOException e){
e.printStackTrace();
}
}
}
public void map(LongWritable key, Text value,Context context) throws IOException,InterruptedException{
// 在map阶段过滤掉不需要的数据
this.keyValue =value.toString().split(",");
if(userIds.contains(keyValue[0])){
this.key.set(keyValue[0]);
this.value.set(keyValue[1]);
context.write(this.key,this.value);
}
}
}
public static class Reduce extends Reducer<Text, Text, Text,Text>{
private Text value = new Text();
private StringBuilder sb;
public void reduce(Text key,Iterable<Text> values, Context context)throws IOException,InterruptedException{
sb = new StringBuilder();
for(Text val : values){
sb.append(val.toString());
sb.append(",");
}
this.value.set(sb.deleteCharAt(sb.length()-1).toString());
context.write(key, this.value);
}
}
public int run(String[] args) throws Exception{
Job job = new Job(getConf(), "SemiJoin");
job.setJobName("SemiJoin");
job.setJarByClass(SemiJoin.class);
job.setMapperClass(MapClass.class);
job.setReducerClass(Reduce.class);
job.setInputFormatClass(TextInputFormat.class);
job.setOutputFormatClass(TextOutputFormat.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(Text.class);
String[] otherArgs = new GenericOptionsParser(job.getConfiguration(),args).getRemainingArgs();
// 我们把第一个参数的地址作为要缓存的文件路径
DistributedCache.addCacheFile(newPath(otherArgs[0]).toUri(), job.getConfiguration());
FileInputFormat.addInputPath(job, new Path(otherArgs[1]));
FileOutputFormat.setOutputPath(job, new Path(otherArgs[2]));
return job.waitForCompletion(true) ? 0 : 1;
}
public static void main(String[] args) throws Exception{
int res = ToolRunner.run(new Configuration(), new SemiJoin(), args);
System.exit(res);
}
}
2.4reduce side join + BloomFilter（解决SemiJoin时抽取的小表规模过大的问题，可采用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BloomFilter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falsenegative，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truenegative，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。
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valuelist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：bufferand in memory sort和value-to-key conversion。
对于bufferand 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outof memory（OOM错误）。
对于value-to-keyconversion，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。
- MapReduce设计模式总结
- MapReduce设计模式学习
- MapReduce常见设计模式解析
- 设计模式 ----- 设计模式总结
- MapReduce模式MapReduce patterns
- 《访问者设计模式》总结
- 设计模式总结
- 设计模式总结
- 设计模式总结
- 设计模式总结
- 设计模式学习总结
- 设计模式总结
- 设计模式总结
- 设计模式总结
- 设计模式总结2
- DAO 设计模式 总结
- DAO设计模式总结
- 设计模式总结
- 定制你的语音识别-并行语音识别解码空间
- hdu-See you~（二维树状数组）
- 从零开始学android<RadioButton单选按钮的使用.七.>
- SQLite CC++接口介绍（二）
- 【Android UI设计与开发】第09期：Fragment+PopupWindow仿QQ空间最新版底部菜单栏
- MapReduce设计模式总结
- Java访问修饰符
- SQL Join的一些总结
- StringBuffer和StringBuilder的区别
- Hive的insert操作
- UVALive 6571 It Can Be Arranged
- Android开发教程：向模拟器的sdcard中添加文件
- MapReduce常见设计模式解析
- 了解SQL Server锁争用：NOLOCK 和 ROWLOCK 的使用
