hadoop datajoin 之reduce side join

hadoop提供了一个叫datajoin的jar包，用于解决两张表关联的问题。jar位于/hadoop/contrib/datajoin将jar包引入进行开发。

涉及的几个概念:

1.Data Source：基本与关系数据库中的表相似，形式为：（例子中为CSV格式）

　　　　　　Customers　　　　　　　　　　　　　　　　  Orders
　　　　　　1,Stephanie Leung,555-555-5555　　　　　　3,A,12.95,02-Jun-2008
　　　　　　2,Edward Kim,123-456-7890　　　　　　　　 1,B,88.25,20-May-2008
　　　　　　3,Jose Madriz,281-330-8004　　　　　　　　 2,C,32.00,30-Nov-2007
　　　　　　4,David Stork,408-555-0000　　　　　　　　  3,D,25.02,22-Jan-2009

2.Tag：由于记录类型（Customers或Orders）与记录本身分离，标记一个Record会确保特殊元数据会一致存在于记录中。在这个目的下，我们将使用每个record自身的Data source名称标记每个record。

3.Group Key：Group Key类似于关系数据库中的链接键（join key），在我们的例子中，group key就是Customer ID（第一列的3）。由于datajoin包允许用户自定义group key，所以其较之关系数据库中的join key更一般、平常。

使用以下样例数据

customers-20140716

1,Stephanie Leung,555-555-5555
2,Edward Kim,123-456-7890
3,Jose Madriz,281-330-8004
4,David Stork,408-555-0000

orders-20140716

3,A,12.95,02-Jun-2008
1,B,88.25,20-May-2008
2,C,32.00,30-Nov-2007
3,D,25.02,22-Jan-2009
请看流程图

第一部分，自定义的数据类型。数据类型主要包含两部分tag和data，tag是给数据打上的标签用来表示数据来源于哪个文件。data是数据记录。

上代码：

public class TaggedWritable extends TaggedMapOutput {private Text data;public TaggedWritable() {this.tag = new Text("");this.data = new Text("");}public TaggedWritable(Text data) {this.data = data;}@Overridepublic void readFields(DataInput in) throws IOException {this.tag.readFields(in);this.data.readFields(in);}@Overridepublic void write(DataOutput out) throws IOException {this.tag.write(out);this.data.write(out);}@Overridepublic Text getData() {return data;}
}

第二部分，map函数

public class Mapclass extends DataJoinMapperBase{@Overrideprotected Text generateGroupKey(TaggedMapOutput aRecord) {String line = aRecord.getData().toString();String[] tokens = line.split(",");String groupKey = tokens[0];return new Text(groupKey);}@Overrideprotected Text generateInputTag(String inputFile) {String datasource = inputFile.split("-")[0];return new Text(datasource);}@Overrideprotected TaggedWritable generateTaggedMapOutput(Object value) {TaggedWritable retv = new TaggedWritable(new Text(value.toString()));retv.setTag(this.inputTag);return retv;}
}

map函数中要特别注意protected TaggedWritable generateTaggedMapOutput(Object value) 该方法的返回类型为你第一步定义的类型。

第三部分，reduce

public class Reduce extends DataJoinReducerBase{@Overrideprotected TaggedMapOutput combine(Object[] tags, Object[] values) {if (tags.length < 2) {return null;    }String joinedStr = "";   for (int i=0; i<values.length; i++) {  if (i > 0){joinedStr += ","; }TaggedWritable tw = (TaggedWritable) values[i];  String line = tw.getData().toString();  System.out.println("line=========:"+line);String[] tokens = line.split(",", 2);  joinedStr += tokens[1];  }  TaggedWritable retv = new TaggedWritable(new Text(joinedStr));  retv.setTag((Text) tags[0]);   return retv;  }
}

reduce过程会将主键与数据组合在一起输出，你拼接的字符串中无需写入主键。

public class Datajoin extends Configured implements Tool {@Overridepublic int run(String[] args) throws Exception {Configuration conf = this.getConf();JobConf job = new JobConf(conf, Datajoin.class);job.setJarByClass(Datajoin.class);Path in = new Path("hdfs://172.16.0.87:9000/user/jeff/datajoin/");Path out = new Path("hdfs://172.16.0.87:9000/user/jeff/datajoin/out");FileInputFormat.setInputPaths(job, in);FileOutputFormat.setOutputPath(job, out);job.setJobName("DataJoin");job.setMapperClass(Mapclass.class);job.setReducerClass(Reduce.class);job.setInputFormat(TextInputFormat.class);job.setOutputFormat(TextOutputFormat.class);job.setMapOutputKeyClass(Text.class);job.setMapOutputValueClass(TaggedWritable.class);job.setOutputKeyClass(Text.class);job.setOutputValueClass(Text.class);job.set("mapred.textoutputformat.separator", ",");JobClient.runJob(job);return 0;}public static void main(String[] args) throws Exception {int res = ToolRunner.run(new Configuration(), new Datajoin(), args);System.exit(res);}
}

运行mapreduce任务后的输出为：

1,Stephanie Leung,555-555-5555,B,88.25,20-May-2008
2,Edward Kim,123-456-7890,C,32.00,30-Nov-2007
3,Jose Madriz,281-330-8004,A,12.95,02-Jun-2008
3,Jose Madriz,281-330-8004,D,25.02,22-Jan-2009

可以在reduce的combin函数中控制函数的输出形式，左联，或者右联。