hadoop 多表join：Map side join及Reduce side join范例

最近在准备抽取数据的工作。有一个id集合200多M，要从另一个500GB的数据集合中抽取出所有id集合中包含的数据集。id数据集合中每一个行就是一个id的字符串（Reduce side join要在每行的行尾加“,”号，而Map side join不必，如果加了也可以处理掉），类似，500GB的数据集合中每一行是某一id对应的全记录，用“,”号分隔。

为什么不在hive或者pig下面搞这个操作呢？主要是因为Hive配置了Kerberos认证之后，还有一个问题没有解决，包含metastore的主机无法从namenode主机获取票据，所以就暂时放一放吧。用MapReduce来搞吧。在Hive下比较方便，但在MapReduce中实现就比较麻烦。

1、概述

在传统数据库（如：MySql）中，JOIN操作常常是非常耗时的。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。下面分别介绍MapReduce中的几种常见join，比如有最常见的 map side join，reduce side join，semi join（这些在Hive中都有） 等。Map side join在处理多个小表关联大表时非常有用，而 reduce join 在处理多表关联时是比较麻烦的，会造成大量的网络IO，效率低下，但在有些时候也是非常有用的。

2. 常见的join方法介绍

2.1 map side join

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须   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。

package com.unionpayadvisors;

import java.io.BufferedReader;
import java.io.FileReader;
import java.io.IOException;
import java.util.HashSet;
import java.util.Set;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.filecache.DistributedCache;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;
import org.hsqldb.lib.StringUtil;

import redis.clients.jedis.Jedis;
import redis.clients.jedis.JedisPool;

public class AccountTableJoin extends Configured implements Tool {
    private static WriteLog log = WriteLog.getInstance();

    private static String parseRaw(String str) {
        if (StringUtil.isEmpty(str)) {
            return str;
        }
        str = str.trim();
        if (str.startsWith("\"")) {
            str = str.substring(1);
        }
        if (str.endsWith("\"")) {
            str = str.substring(0, str.length() - 1);
        }
        return str.trim();
    }

    public static class MapClass extends
            Mapper<LongWritable, Text, Text, NullWritable> {
        // 用于缓存 user_account 中的数据

         private Set<String> accountSet = new HashSet<String>();

        private Text accKey = new Text();
        private NullWritable nullValue = NullWritable.get();
        private String[] kv;

        private Jedis jedis = new JedisPool("192.168.2.101", 6379).getResource();
        // 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 accountLine = null;

         for (Path path : paths) {

         if (path.toString().contains("account")) {

         in = new BufferedReader(new FileReader(path.toString()));

         while (null != (accountLine = in.readLine())) {
         log.logger("AccountTableJoin",
         "accountSet="+parseRaw(accountLine.split(",", -1)[0]));
         accountSet.add(parseRaw(accountLine.split(",", -1)[0]));

         }

         }

         }

         } 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 {

            kv = value.toString().split(",");

             //map join: 在map阶段过滤掉不需要的数据
             if(kv.length==4&&accountSet.contains(parseRaw(kv[0]))){
             accKey.set(value);
             context.write(accKey, nullValue);
             }

            }
        }

    public int run(String[] args) throws Exception {

        log.logger("XXXXXXXXX", "begin in");

        Job job = new Job(getConf(), "AccountTableJoin");

        job.setJobName("AccountTableJoin");

        job.setJarByClass(AccountTableJoin.class);

        job.setMapperClass(MapClass.class);

        job.setInputFormatClass(TextInputFormat.class);
        job.setOutputFormatClass(TextOutputFormat.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(NullWritable.class);
        String[] otherArgs = new GenericOptionsParser(job.getConfiguration(),
                args).getRemainingArgs();

        FileInputFormat.addInputPath(job, new Path(otherArgs[0]));

        FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));

        return job.waitForCompletion(true) ? 0 : 1;

    }

    public static void main(String[] args) throws Exception {
                int res = ToolRunner.run(new Configuration(), new AccountTableJoin(),
                args);
        System.exit(res);

    }

    /*
     * hadoop jar AccountTableJoin.jar AccountTableJoin
     * /user/he/sample_account.del /user/he/SAMPLE_SUM_2012070809101112.del
     * /user/he/ACCOUNT_JOIN_RESULT
     */
}

WriteLog代码：

package com.unionpayadvisors;
import java.io.File;
import java.io.FileNotFoundException;
import java.io.FileOutputStream;
import java.io.PrintWriter;
import java.util.Calendar;

public class WriteLog {
/**写日志<br>
* 写logString字符串到./log目录下的文件中
* @param logString 日志字符串
* @author tower
*/

    private static WriteLog instance = null;
    private WriteLog(){};
    public static WriteLog getInstance() {
        if( instance == null ) {
            instance = new WriteLog();
        }
        return instance;
    }   

public void logger(String fileNameHead,String logString) {
   try {
    String logFilePathName=null;
    Calendar cd = Calendar.getInstance();//日志文件时间
    int year=cd.get(Calendar.YEAR);
    String month=addZero(cd.get(Calendar.MONTH)+1);
    String day=addZero(cd.get(Calendar.DAY_OF_MONTH));
    String hour=addZero(cd.get(Calendar.HOUR_OF_DAY));
    String min=addZero(cd.get(Calendar.MINUTE));
    String sec=addZero(cd.get(Calendar.SECOND));

    File fileParentDir=new File("./log");//判断log目录是否存在
    if (!fileParentDir.exists()) {
     fileParentDir.mkdir();
    }
    if (fileNameHead==null||fileNameHead.equals("")) {
     logFilePathName="./log/"+year+month+day+hour+".log";//日志文件名
    }else {
     logFilePathName="./log/"+fileNameHead+year+month+day+hour+".log";//日志文件名
    }

    PrintWriter printWriter=new PrintWriter(new FileOutputStream(logFilePathName, true));//紧接文件尾写入日志字符串
    String time="["+year+month+day+"-"+hour+":"+min+":"+sec+"] ";
    printWriter.println(time+logString);
    printWriter.flush();

   } catch (FileNotFoundException e) {
    // TODO Auto-generated catch block
    e.getMessage();
   }
}

/**整数i小于10则前面补0
* @param i
* @return
* @author tower
*/
public static String addZero(int i) {
   if (i<10) {
    String tmpString="0"+i;
    return tmpString;
   }
   else {
    return String.valueOf(i);
   }
}

}

2.2 reduce side join

reduce side join是一种最简单的join方式， 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。

假设要进行join的数据分别来自File1和File2.

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。

代码如下（需要再次修改）：

package com.unionpayadvisors;

import java.io.BufferedReader;
import java.io.FileReader;
import java.io.IOException;
import java.util.HashSet;
import java.util.Set;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.filecache.DistributedCache;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;
import org.hsqldb.lib.StringUtil;

import redis.clients.jedis.Jedis;
import redis.clients.jedis.JedisPool;

public class AccountTableJoin extends Configured implements Tool {
    private static WriteLog log = WriteLog.getInstance();

    private static String parseRaw(String str) {
        if (StringUtil.isEmpty(str)) {
            return str;
        }
        str = str.trim();
        if (str.startsWith("\"")) {
            str = str.substring(1);
        }
        if (str.endsWith("\"")) {
            str = str.substring(0, str.length() - 1);
        }
        return str.trim();
    }

    public static class MapClass extends
            Mapper<LongWritable, Text, Text, NullWritable> {
        // 用于缓存 user_account 中的数据

         private Set<String> accountSet = new HashSet<String>();

        private Text accKey = new Text();
        private NullWritable nullValue = NullWritable.get();
        private String[] kv;

        private Jedis jedis = new JedisPool("192.168.2.101", 6379).getResource();
        // 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 accountLine = null;

         for (Path path : paths) {

         if (path.toString().contains("account")) {

         in = new BufferedReader(new FileReader(path.toString()));

         while (null != (accountLine = in.readLine())) {
         log.logger("AccountTableJoin",
         "accountSet="+parseRaw(accountLine.split(",", -1)[0]));
         accountSet.add(parseRaw(accountLine.split(",", -1)[0]));

         }

         }

         }

         } 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 {

            kv = value.toString().split(",");

             //map join: 在map阶段过滤掉不需要的数据
             if(kv.length==4&&accountSet.contains(parseRaw(kv[0]))){
             accKey.set(value);
             context.write(accKey, nullValue);
             }

//            log.logger("XXXXXXXXX", "length!" + kv.length);
//            if (kv.length == 53) {
//            context.write(new Text(String.valueOf(parseRaw(kv[53 - 1])+":"+jedis.exists(parseRaw(kv[53 - 1])))), nullValue);
//
//                log.logger("XXXXXXXXX", "Jedis!" + parseRaw(kv[53 - 1]));
//                if (jedis.exists(parseRaw(kv[53 - 1]))) {
//
//                    log.logger("XXXXXXXXX", "jedis.exists"
//                            + jedis.exists(parseRaw(kv[53 - 1])));
//                    accKey.set(value);
//                    context.write(accKey, nullValue);
//                }
            }
        }

    public int run(String[] args) throws Exception {

        log.logger("XXXXXXXXX", "begin in");

        Job job = new Job(getConf(), "AccountTableJoin");

        job.setJobName("AccountTableJoin");

        job.setJarByClass(AccountTableJoin.class);

        job.setMapperClass(MapClass.class);

        job.setInputFormatClass(TextInputFormat.class);
        job.setOutputFormatClass(TextOutputFormat.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(NullWritable.class);
        String[] otherArgs = new GenericOptionsParser(job.getConfiguration(),
                args).getRemainingArgs();

        FileInputFormat.addInputPath(job, new Path(otherArgs[0]));

        FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));

        return job.waitForCompletion(true) ? 0 : 1;

    }

    public static void main(String[] args) throws Exception {
        log.logger("XXXXXXXXX", "begin connection Jedis!");

        // jedis=jedisPool.getResource();
//        log.logger("XXXXXXXXX", "find \"7a5abdf04ce2350424907bf234d8ac80\""
//                + jedis.get("7a5abdf04ce2350424907bf234d8ac80"));
//        log.logger("XXXXXXXXX", "exsit \"7a5abdf04ce2350424907bf234d8ac80\""
//                + jedis.exists("7a5abdf04ce2350424907bf234d8ac80"));
        int res = ToolRunner.run(new Configuration(), new AccountTableJoin(),
                args);
        // jedisPool.returnResource(jedis);
        // jedisPool.destroy();
        log.logger("XXXXXXXXX", "connection Jedis end!");

        System.exit(res);

    }

    /*
     * hadoop jar AccountTableJoin.jar AccountTableJoin
     * /user/he/sample_account.del /user/he/SAMPLE_SUM_2012070809101112.del
     * /user/he/ACCOUNT_JOIN_RESULT
     */
}

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reducee   side join相同。

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。

Hadoop面试的时候也会问到 Hadoop上Join的实现，几乎是一道必问的问题，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。