{转}Hadoop之使用python实现数据集合间join操作
来源:互联网 发布:好用的眼部精华 知乎 编辑:程序博客网 时间:2024/06/06 13:16
Hadoop之使用python实现数据集合间join操作
{转}疯狂的蚂蚁的博客 http://www.crazyant.net/1112.html
hadoop之steaming介绍
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name01name102name203name304name4数据事例2:-学生成绩:
学号sno课程号courseno成绩grade010180010290020182020295期待的最终输出:
学号sno姓名name课程courseno成绩grade01name1018001name1029002name2018202name20295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:
reducer的代码:
使用shell脚本启动hadoop程序的方法:
可以自己手工构造输入输出数据进行测试,本程序是验证过的。
更多需要注意的地方
hadoop的join操作可以分为很多类型,各种类型脚本的编写有所不同,其分类是按照key字段数目、value字段数目、key是否可重复来划分的,以下是一个个人总结的对照表,表示会影响的地方:
影响类型影响的范围key字段数目1、启动脚本中num.key.fields.for.partition的配置2、启动脚本中stream.num.map.output.key.fields的配置3、map和reduce脚本中key的获取
4、map和reduce脚本中每一条数据和上一条数据比较的方法key是否可重复如果数据源1可重复,标记为M;数据源2可重复标记为N,那么join可以分为:1*1、M*1、M*N类型
1*1类型:reduce中先记录第一个value,然后在下一条直接合并输出;
M*1类型:将类型1作为标记小的输出,然后每次遇见label=1就记录value,每遇见一次label=2就输出一次最终结果;
M*N类型:遇见类型1,就用数组记录value值,遇见label=2就将将记录的数组值全部连同该行value输出。value字段数目影响每次label=1时记录的数据个数,需要将value都记录下来
- Hadoop之使用python实现数据集合间join操作
- Hadoop之使用python实现数据集合间join操作
- {转}Hadoop之使用python实现数据集合间join操作
- hadoop 用MR实现join操作
- hadoop 用MR实现join操作
- hadoop 用MR实现join操作
- hadoop 之MR的join操作
- python使用peewee实现mysql数据操作
- Hadoop下join操作
- hadoop join之semi join
- hadoop join之semi join
- Python操作Redis之集合
- hadoop streaming两个数据文件实现join合并操作
- 使用hadoop的datajoin包进行关系型join操作
- hadoop join之二
- Hadoop入门之Join的两种实现Demo
- Python进行数据的多表Join关联操作
- Hadoop MapReduce进阶 使用DataJoin包实现Join
- Android开发——Intent中的各种FLAG
- [leetcode] Palindrome Number
- spring beanPostProcesser
- PS 颜色混合模式深层计算
- Windows下安装Flask
- {转}Hadoop之使用python实现数据集合间join操作
- 机器学习与智能优化 之 排序与选择特征
- UVA 10271 Chopsticks(dp)
- USACO2.4.2 Overfencing (maze1)
- Hive 研发笔记---LEFT JOIN 中的坑
- Java枚举和注解
- EBS业务学习之应付INVOICE类型
- Linux GCC常用命令
- [QT][?] Found unsuitable Qt version "5.0.2" from /usr/bin/qmake, this code requires Qt 4.x