数据算法 --hadoop/spark数据处理技巧 --（3.左外连接 4.反转排序）

三。 左外连接

　　考虑一家公司，比如亚马逊，它拥有超过2亿的用户，每天要完成数亿次交易。假设我们有两类数据，用户和交易：　　

　　　　users(user_id,location_id)

　　　　transactions(transction_id,product_id,user_id,quantity,amout)

　　所谓左外连接：令T1(左表)和T2(右表)是以下两个关系（其中t1是T1的属性，t2是T2的属性）：

　　　　T1=(K,t1)

　　　　T2=(K,t2)

　　关系T1，T2在连接键K上左外连接的结果将包含左表（T1）的所有记录，即使连接条件在右表（T2）中未找到任何匹配的记录。如果关于键K的ON子句匹配T2中的0条记录，这个连接仍会在结果中返回一行，不过T2的各个列为NULL。左外连接会返回内链接的所有值以及左表中未与右表匹配的所有值。

　　　　sql:   select field1,field2 ..  from T1 left outer join T2   on T1.K=T2.k

　　

　　                         

　　                  

 

 MR左外连接实现：

　　上图中sql查询3可以提供我们需要的输出，他会找出所有交易中各个售出商品对应的不同用户地址。我们将分两个阶段提供左外连接问题的解决方案。

　　　　MR阶段1：找出所有售出的的商品（以及关键的地址）。可以使用上一节中的sql查询1完成这个任务。

　　　　MR阶段2:找出所有售出的商品（以及关联的唯一地址数）。可以使用上一届中的sql查询3来实现。

　　　　　　　　　　　　　　　　　　　　

 spark左外连接实现：

　　　　方案1：通过将两个javaRDD（这里是user和交易RDD），通过javaRDD.union函数返回并集，合并来创建一个新的RDD.   

　　　　　　　　主要方法：transantion.mapToPair.union(users.mapToPair()).goupByKey().flatMapToPair().goupByKey().mapValues().collect()

　　　　　　　　

　　　　方案2：直接通过leftOuterJoin的方法来实现。

 

 四。反转排序

　　反转排序（Order Inversion,OI）设计模式，这种设计模式可以用来控制MR框架中规约器值的顺序（这很有用，因为一些计算需要有序的数据。）通常会在数据分析阶段应用OI模式。在Hadoop和Spark中，值到达规约器的顺序是未定义的。（没有明确的顺序，除非我们利用MR的排序阶段将计算所需的数据推至规约器）。OI模式适用成对模式（使用更简单的数据结构，需要更少的规约器的内存），因为规约器阶段不需要额外的规约器值顺序。

　　为了帮助理解OI模式，下面首先来看一个简单的例子。考虑一个对应组合键（K1，K2）的规约器，假定K1是这个组合键的自然建部分，假设这个规约器接收到下面的值（这些值没有确定的顺序）：

　　　　v1,v2,v3...

　　通过实现OI模式，可以对到达规约器（对应键（K1，K2））的值进行排序和分类。使用OI模式的唯一目的是适当的确定提供给规约器的数据的顺序。为了展示OI模式，下面假设K1是组合键的固定部分，在这里K2只是3个不同的值（K2a,K2b,K2c），这将生成下表所示的值。（需要说明，必须把键{K1，K2a}{K1,K2b}{K1,K2c}发送到相同的规约器）。

　　

　　在这个表中：

　　　　m+p+q = n

　　　　排序顺序:   K2a<K2b<K2c（升序）   或  K2a>K2b>K2c  (降序)

　　利用适当的OI模式实现，可以对规约器值排序，如下所示：

　　　　A1,A2,A3,。。。Am ,B1,B2,....Bn,C1，C2,....Cn

　　由于规约器值是有序的，这就允许我们首先从Ai开始，再到Bi,最后到Ci完成一些计算。需要说明，这里不需要在内存中缓存值。关键问题是如何得到所需的行为。答案就是定义一个定制分区值，他只关注组合键（K1,K2）左边的部分（K1,即自然规约器键）。也就是说，定制分区器只根据左键（K1）的散列进行分区。

　　例子：