Hadoop MapReduce进阶 使用DataJoin包实现Join概念：Hadoop有一个叫DataJoin的包为Data Join提供相应的框架
Hadoop MapReduce进阶 使用DataJoin包实现Join
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?
- import java.io.DataInput; import java.io.DataOutput;
- import java.io.IOException; import java.util.Iterator;
- import org.apache.hadoop.conf.Configuration;
- import org.apache.hadoop.conf.Configured; import org.apache.hadoop.fs.Path;
- import org.apache.hadoop.io.Text; import org.apache.hadoop.io.Writable;
- import org.apache.hadoop.mapred.FileInputFormat; import org.apache.hadoop.mapred.FileOutputFormat;
- import org.apache.hadoop.mapred.JobClient; import org.apache.hadoop.mapred.JobConf;
- import org.apache.hadoop.mapred.KeyValueTextInputFormat; import org.apache.hadoop.mapred.MapReduceBase;
- import org.apache.hadoop.mapred.Mapper; import org.apache.hadoop.mapred.OutputCollector;
- import org.apache.hadoop.mapred.Reducer; import org.apache.hadoop.mapred.Reporter;
- import org.apache.hadoop.mapred.TextInputFormat; import org.apache.hadoop.mapred.TextOutputFormat;
- import org.apache.hadoop.util.Tool; import org.apache.hadoop.util.ToolRunner;
- import org.apache.hadoop.contrib.utils.join.DataJoinMapperBase;
- import org.apache.hadoop.contrib.utils.join.DataJoinReducerBase; import org.apache.hadoop.contrib.utils.join.TaggedMapOutput;
- public class DataJoin extends Configured implements Tool {
- public static class MapClass extends DataJoinMapperBase {
- protected Text generateInputTag(String inputFile) {
- String datasource = inputFile.split("-")[0]; return new Text(datasource);
- }
- protected Text generateGroupKey(TaggedMapOutput aRecord) { String line = ((Text) aRecord.getData()).toString();
- String[] tokens = line.split(","); String groupKey = tokens[0];
- return new Text(groupKey); }
- protected TaggedMapOutput generateTaggedMapOutput(Object value) {
- TaggedWritable retv = new TaggedWritable((Text) value); retv.setTag(this.inputTag);
- return retv; }
- }
- public static class Reduce extends DataJoinReducerBase {
- protected 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 = ((Text) tw.getData()).toString(); String[] tokens = line.split(",", 2);
- joinedStr += tokens[1]; }
- TaggedWritable retv = new TaggedWritable(new Text(joinedStr)); retv.setTag((Text) tags[0]);
- return retv; }
- }
- public static class TaggedWritable extends TaggedMapOutput {
- private Writable data;
- public TaggedWritable(Writable data) { this.tag = new Text("");
- this.data = data; }
- public Writable getData() {
- return data; }
- public void write(DataOutput out) throws IOException {
- this.tag.write(out); this.data.write(out);
- }
- public void readFields(DataInput in) throws IOException { this.tag.readFields(in);
- this.data.readFields(in); }
- }
- public int run(String[] args) throws Exception { Configuration conf = getConf();
- JobConf job = new JobConf(conf, DataJoin.class);
- Path in = new Path(args[0]);
- Path out = new Path(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); return 0;
- }
- public static void main(String[] args) throws Exception { int res = ToolRunner.run(new Configuration(),
- new DataJoin(), args);
- System.exit(res);
- } }
