MapReduce 中的两表 join 几种方案简介

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.

2.1 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~

public class Test {public static class MapperClass extendsMapper<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: 2012-10-01insertDate = insertDate+ info[InfoField.InsertDate].split(" ")[0].split("-")[1]; // date:201210String userID = info[InfoField.UserID]; // useridif (!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; // cityString[] 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 extendsReducer<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：

（1）深入jar包：从jar包中读取资源文件      

     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：

com.explorers.Test.class.getResourceAsStream("abc.jpg") 
= com.explorers.Test.class.getResourceAsStream("/com/explorers/abc.jpg") 
= ClassLoader.getResourceAsStream("com/explorers/abc.jpg")

http://macrochen.iteye.com/blog/293918

http://blogread.cn/it/article/3262?f=wb

转发:https://my.oschina.net/leejun2005/blog/95186

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/423493.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

.NET中栈和堆的比较1

.NET中栈和堆的比较1

原文出处&#xff1a; http://www.c-sharpcorner.com/UploadFile/rmcochran/csharp_memory01122006130034PM/csharp_memory.aspx 尽管在.NET framework下我们并不需要担心内存管理和垃圾回收(Garbage Collection)&#xff0c;但是我们还是应该了解它们&#xff0c;以优化我们的…
阅读更多...
前端学习（1）：HTML和CSS导学

前端学习（1）：HTML和CSS导学

最近为什么捡起前端&#xff0c;主要工作太忙&#xff0c;有时间就会抓一下后端&#xff0c;前端是我以前啃得比较多的 再来一次呢&#xff0c;工作在忙也不能停止学习勒 第一部分 第二部分 第三部分 第四部分 如何学习
阅读更多...
Spring Boot----Dubbo原理分析

Spring Boot----Dubbo原理分析

环境&#xff1a;需要创建一个dubbo.xml 通过ImportResource()导入xml&#xff1a; 1、首先spring启动解析配置文件的每一个标签的总接口是 org.springframework.beans.factory.xml.BeanDefinitionParser 2、DubboBeanDefinitionParser是它的一个实现类&#xff0c;通过调用par…
阅读更多...
hive中order by,sort by, distribute by, cluster by作用以及用法

hive中order by,sort by, distribute by, cluster by作用以及用法

1. order by Hive中的order by跟传统的sql语言中的order by作用是一样的&#xff0c;会对查询的结果做一次全局排序&#xff0c;所以说&#xff0c;只有hive的sql中制定了order by所有的数据都会到同一个reducer进行处理&#xff08;不管有多少map&#xff0c;也不管文件有多少…
阅读更多...
最有价值的100句话

最有价值的100句话

1:能不抽烟最好不抽&#xff0c;它或许可以帮助你吸引一些女生&#xff0c;但不抽绝不会招来厌烦&#xff0c;表现男子气概的途径有很多&#xff0c;没必要拿健康做赌注。 　　 2&#xff1a;给自己定目标&#xff0c;一年&#xff0c;两年&#xff0c;五年&#xff0c;也许你…
阅读更多...
前端学习（2）：什么是html和css

前端学习（2）：什么是html和css

什么是HTML&#xff1f; W3C&#xff1a;万维网联盟&#xff0c;是目前web技术领域最具权威和影响力的标准机构&#xff0c;目前为止&#xff0c;W3C已发布了200多项影响深远的web技术标准及实施指南。 Hypertext markup language:超文本标记语言&#xff0c;该语言书写的代码通…
阅读更多...
基于小程序·云开发构建高考查分小程序丨实战

基于小程序·云开发构建高考查分小程序丨实战

2019高考报名人数达到了 1031 万的新高&#xff0c;作为一名三年前参考高考的准程序猿&#xff0c;赶在高考前&#xff0c;加班加点从零开始做了一款高考查分小程序&#xff0c;算是一名老学长送给学弟学妹们的高考礼。上线仅 1 个月&#xff0c;用户数就突破了 1k&#xff0c;…
阅读更多...
浅谈 DML、DDL、DCL的区别

浅谈 DML、DDL、DCL的区别

一、DML DML&#xff08;data manipulation language&#xff09;数据操纵语言&#xff1a;就是我们最经常用到的 SELECT、UPDATE、INSERT、DELETE。 主要用来对数据库的数据进行一些操作。 SELECT 列名称 FROM 表名称 UPDATE 表名称 SET 列名称 新值 WHERE 列名称 某值 IN…
阅读更多...
前端学习（3）：vs code编辑器

前端学习（3）：vs code编辑器

下载地址 https://code.visualstudio.com 下载安装教程 变成中文 在编辑器中运行我们的网页 open in browser view in browser 选中文件----首选项----设置 常用快捷键
阅读更多...
QuickPart应用系列

QuickPart应用系列

在上一篇解决方案包部署与收回篇章中&#xff0c;我只是稍微提了下QuickPart.也许刚接触这块内容的朋友&#xff0c;可能还不是很清楚&#xff0c;QuickPart具体的功能能实现什么。首先要告诉你的是QuickPart的人性化之处&#xff0c;那就是给开发人员开发webpart提供更简洁的方…
阅读更多...
spring----IOC知识点

spring----IOC知识点

//可以修改Bean定义的属性(不是修改Bean) Component public class TulingBeanFactoryProcessor implements BeanFactoryPostProcessor {Overridepublic void postProcessBeanFactory(ConfigurableListableBeanFactory beanFactory) throws BeansException {beanFactory.getBean…
阅读更多...
Hive分析窗口函数(五) GROUPING SETS,GROUPING__ID,CUBE,ROLLUP

Hive分析窗口函数(五) GROUPING SETS,GROUPING__ID,CUBE,ROLLUP

GROUPING SETS 该关键字可以实现同一数据集的多重group by操作。事实上GROUPING SETS是多个GROUP BY进行UNION ALL操作的简单表达&#xff0c;它仅仅使用一个stage完成这些操作。GROUPING SETS的子句中如果包含()数据集&#xff0c;则表示整体聚合。 Aggregate Query with GRO…
阅读更多...
前端学习（4）：chome浏览器

前端学习（4）：chome浏览器

一、认识浏览器 浏览器是网页显示、运行的平台&#xff0c;常用的浏览器有IE、火狐&#xff08;Firefox&#xff09;、谷歌&#xff08;Chrome&#xff09;、Safari和Opera等。我们平时称为五大浏览器。IE最新版为Edge。 常用浏览器 二、浏览器市场份额 可以通过百度的统计网…
阅读更多...
JS的IE和Firefox兼容性总结

JS的IE和Firefox兼容性总结

JS的IE和Firefox兼容性汇编(原作:hotman_x) 以下以 IE 代替 Internet Explorer&#xff0c;以 MF 代替 Mozzila Firefox 1. document.form.item 问题 (1)现有问题&#xff1a; 现有代码中存在许多 document.formName.item(&q…
阅读更多...
spring----注解

spring----注解

以后想到了在写 1、DependsOn("xx") User bean被创建之前&#xff0c;先创建xx bean; DependsOn("xx") public class User{private int id; }转载于:https://www.cnblogs.com/yanxiaoge/p/11479628.html
阅读更多...
Hive分析窗口函数 NTILE,ROW_NUMBER,RANK,DENSE_RANK

Hive分析窗口函数 NTILE,ROW_NUMBER,RANK,DENSE_RANK

本文中介绍前几个序列函数&#xff0c;NTILE,ROW_NUMBER,RANK,DENSE_RANK&#xff0c;下面会一一解释各自的用途。Hive版本为 apache-hive-0.13.1 数据准备&#xff1a; cookie1,2015-04-10,1cookie1,2015-04-11,5cookie1,2015-04-12,7cookie1,2015-04-13,3cookie1,2015-04-14,…
阅读更多...
前端学习（5）：深入了解网站开发

前端学习（5）：深入了解网站开发

要了解web前后端的区别&#xff0c;首先必须得清楚什么是web前端和web后端。 首先&#xff1a;web的本意是蜘蛛网和网的意思&#xff0c;在网页设计中我们称为网页的意思。现广泛译作网络、互联网等技术领域。表现为三种形式&#xff0c;即超文本(hypertext)、超媒体(hypermed…
阅读更多...
实战 IE8 开发人员工具

实战 IE8 开发人员工具

今天整理我收藏的漫画的时候发现 风云3 少了两集&#xff08;486、487&#xff09;&#xff0c;这对于收藏者来说基本是不可忍受的&#xff1b; 从风云一到三&#xff0c;应该一集也不能少的&#xff1b; 决定上网去找找&#xff0c;不过溜达一圈常去的分享论坛&#xff0c;由于…
阅读更多...
spring----Bean的生命周期和循环依赖

spring----Bean的生命周期和循环依赖

循环依赖&#xff1a; A类引用了B&#xff0c;B类引用了A&#xff0c;像这种循环着依赖就是循环依赖&#xff1b; 对于这种配置不会报错 <bean id"instanceA" class"com.zy.entities.InstanceA"><property name"instanceB" ref"in…
阅读更多...
SQL count和case when配合统计给定条件下不重复的记录数

SQL count和case when配合统计给定条件下不重复的记录数

Iamlaosong文 1、我们知道&#xff0c;SQL语句中用count函数统计记录数量&#xff0c;配合distinct关键字可以统计非重复的记录数量。例如&#xff1a; select count(*), count(city_name), count(distinct city_name) from tb_county 查询结果是&#xff1a; 2534 2534 …
阅读更多...
最新文章

Copyright @ 2022~2023