MapReduce 中的两表 join 几种方案简介
转自：http://my.oschina.net/leejun2005/blog/95186
MapSideJoin例子：http://my.oschina.net/leejun2005/blog/111963
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~
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
|
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：
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
2
3
|
com.explorers.Test.class.getResourceAsStream("abc.jpg") = com.explorers.Test.class.getResourceAsStream("/com/explorers/abc.jpg") = ClassLoader.getResourceAsStream("com/explorers/abc.jpg") |
