Hadoop MapReduce进阶 使用DataJoin包实现Join

xuesn

概念：
　　Hadoop有一个叫DataJoin的包为Data Join提供相应的框架。它的Jar包存在于contrib/datajoin/hadoop-*-datajoin。
　　为区别于其他的data join技术，我们称其为reduce-side join。（因为我们在reducer上作大多数的工作）
　　reduce-side join引入了一些术语及概念：
　　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。
　　

流程：（详见《Hadoop in Action》Chapter 5.2）

Advanced MapReduce：

Joining Data from different sources:

　　

利用datajoin包来实现join：
　　Hadoop的datajoin包中有三个需要我们继承的类：DataJoinMapperBase，DataJoinReducerBase，TaggedMapOutput。正如其名字一样，我们的MapClass将会扩展DataJoinMapperBase，Reduce类会扩展DataJoinReducerBase。这个datajoin包已经实现了map()和reduce()方法，因此我们的子类只需要实现一些新方法来设置一些细节。
　　在用DataJoinMapperBase和DataJoinReducerBase之前，我们需要弄清楚我们贯穿整个程序使用的新的虚数据类TaggedMapOutput。
　　根据之前我们在图Advance MapReduce的数据流中所展示的那样，mapper输出一个包（由一个key和一个value(tagged record)组成）。datajoin包将key设置为Text类型，将value设置为TaggedMapOutput类型（TaggedMapOutput是一个将我们的记录使用一个Text类型的tag包装起来的数据类型）。它实现了getTag()和setTag(Text tag)方法。它还定义了一个getData()方法，我们的子类将实现这个方法来处理record记录。我们并没有明确地要求子类实现setData()方法，但我们最好还是实现这个方法以实现程序的对称性（或者在构造函数中实现）。作为Mapper的输出，TaggedMapOutput需要是Writable类型，因此的子类还需要实现readFields()和write()方法。
　　

DataJoinMapperBase：
　　回忆join数据流图，mapper的主要功能就是打包一个record使其能够和其他拥有相同group key的记录去向一个Reducer。DataJoinMapperBase完成所有的打包工作，这个类定义了三个虚类让我们的子类实现：
　　protected abstract Text generateInputTag(String inputFile);
　　protected abstract TaggedMapOutput generateTaggedMapOutut(Object value);
　　protected abstract Text generateGroupKey(TaggedMapOutput aRecored);
　　在一个map任务开始之前为所有这个map任务会处理的记录定义一个tag(Text)，结果将保存到DataJoinMapperBase的inputTag变量中，我们也可以保存filename至inputFile变量中以待后用。
　　

　　在map任务初始化之后，DataJoinMapperBase的map()方法会对每一个记录执行。它调用了两个我们还没有实现的虚方法：generateTaggedMapOutput()以及generateGroupKey(aRecord);（详见代码）
　　

DataJoinReducerBase：
　　DataJoinMapperBase将我们所需要做的工作以一个full outer join的方式简化。我们的Reducer子类只需要实现combine()方法来滤除掉我们不需要的组合来得到我们需要的（inner join, left outer join等）。同时我们也在combiner()中将我们的组合格式化为输出格式。
　　

代码：
[java] view plaincopyprint?

• importjava.io.DataInput;
  
• importjava.io.DataOutput;
  
• importjava.io.IOException;
  
• importjava.util.Iterator;
  
• 
  
• importorg.apache.hadoop.conf.Configuration;
  
• importorg.apache.hadoop.conf.Configured;
  
• importorg.apache.hadoop.fs.Path;
  
• importorg.apache.hadoop.io.Text;
  
• importorg.apache.hadoop.io.Writable;
  
• importorg.apache.hadoop.mapred.FileInputFormat;
  
• importorg.apache.hadoop.mapred.FileOutputFormat;
  
• importorg.apache.hadoop.mapred.JobClient;
  
• importorg.apache.hadoop.mapred.JobConf;
  
• importorg.apache.hadoop.mapred.KeyValueTextInputFormat;
  
• importorg.apache.hadoop.mapred.MapReduceBase;
  
• importorg.apache.hadoop.mapred.Mapper;
  
• importorg.apache.hadoop.mapred.OutputCollector;
  
• importorg.apache.hadoop.mapred.Reducer;
  
• importorg.apache.hadoop.mapred.Reporter;
  
• importorg.apache.hadoop.mapred.TextInputFormat;
  
• importorg.apache.hadoop.mapred.TextOutputFormat;
  
• importorg.apache.hadoop.util.Tool;
  
• importorg.apache.hadoop.util.ToolRunner;
  
• 
  
• importorg.apache.hadoop.contrib.utils.join.DataJoinMapperBase;
  
• importorg.apache.hadoop.contrib.utils.join.DataJoinReducerBase;
  
• importorg.apache.hadoop.contrib.utils.join.TaggedMapOutput;
  
• 
  
• publicclassDataJoinextendsConfiguredimplementsTool{
  
• 
  
• publicstaticclassMapClassextendsDataJoinMapperBase{
  
• 
  
• protectedTextgenerateInputTag(StringinputFile){
  
• Stringdatasource=inputFile.split("-")[0];
  
• returnnewText(datasource);
  
• }
  
• 
  
• protectedTextgenerateGroupKey(TaggedMapOutputaRecord){
  
• Stringline=((Text)aRecord.getData()).toString();
  
• String[]tokens=line.split(",");
  
• StringgroupKey=tokens[0];
  
• returnnewText(groupKey);
  
• }
  
• 
  
• protectedTaggedMapOutputgenerateTaggedMapOutput(Objectvalue){
  
• TaggedWritableretv=newTaggedWritable((Text)value);
  
• retv.setTag(this.inputTag);
  
• returnretv;
  
• }
  
• }
  
• 
  
• publicstaticclassReduceextendsDataJoinReducerBase{
  
• 
  
• protectedTaggedMapOutputcombine(Object[]tags,Object[]values){
  
• if(tags.length<2)returnnull;
  
• StringjoinedStr="";
  
• for(inti=0;i<values.length;i++){
  
• if(i>0)joinedStr+=",";
  
• TaggedWritabletw=(TaggedWritable)values;
  
• Stringline=((Text)tw.getData()).toString();
  
• String[]tokens=line.split(",",2);
  
• joinedStr+=tokens[1];
  
• }
  
• TaggedWritableretv=newTaggedWritable(newText(joinedStr));
  
• retv.setTag((Text)tags[0]);
  
• returnretv;
  
• }
  
• }
  
• 
  
• publicstaticclassTaggedWritableextendsTaggedMapOutput{
  
• 
  
• privateWritabledata;
  
• 
  
• publicTaggedWritable(Writabledata){
  
• this.tag=newText("");
  
• this.data=data;
  
• }
  
• 
  
• publicWritablegetData(){
  
• returndata;
  
• }
  
• 
  
• publicvoidwrite(DataOutputout)throwsIOException{
  
• this.tag.write(out);
  
• this.data.write(out);
  
• }
  
• 
  
• publicvoidreadFields(DataInputin)throwsIOException{
  
• this.tag.readFields(in);
  
• this.data.readFields(in);
  
• }
  
• }
  
• 
  
• publicintrun(String[]args)throwsException{
  
• Configurationconf=getConf();
  
• 
  
• JobConfjob=newJobConf(conf,DataJoin.class);
  
• 
  
• Pathin=newPath(args[0]);
  
• Pathout=newPath(args[1]);
  
• 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.setOutputKeyClass(Text.class);
  
• job.setOutputValueClass(TaggedWritable.class);
  
• job.set("mapred.textoutputformat.separator",",");
  
• 
  
• JobClient.runJob(job);
  
• return0;
  
• }
  
• 
  
• publicstaticvoidmain(String[]args)throwsException{
  
• intres=ToolRunner.run(newConfiguration(),
  
• newDataJoin(),
  
• args);
  
• 
  
• System.exit(res);
  
• }
  
• }