datajoin包在hadoop的contrib目錄下,我們也可以在src下面看見其源碼,它的源碼很小,我建議大體看看以瞭解其原理。
利用datajoin進行join操作,在《Hadoop in action》裏面已經講的十分清楚,在這裏只提及值得注意的幾個地方。
- TaggedMapOutput的目的是標識數據,讓我們知道哪個記錄是從哪裏來的。
- DataJoinMapperBase類中的generateInputTag在map任務開始時被調用(還沒進行map函數),其目的是生成tag,並自動存儲於DataJoinMapperBase類的inputTag中。
- generateTaggedMapOutput()用於生存帶標籤的數據,這可以讓我們知道數據的來源,在我們想進行left join /right join的時候很有用,同時對於過濾數據等操作也有幫助。
- datajoin在當前是用舊API寫的,也就是說Mapper子類是實現Mapper接口而不是擴展Mapper虛類,但是MapperChain.addMapper雖然是在舊API目錄下面,但是卻只支持擴展虛類的方式,相信當你數據流比較長的時候這會給你帶來麻煩,這個問題我沒有解決,重寫datajoin包可能是一種好的方式,但你也可以手動執行多個作業來間接達到目的。
下面是我自己想的一個練習,由於上述的第4點的限制,這其實是一個不完整的練習。
數據是《hadoop in action》的數據:
datajoin_customers文件 | datajoin_orders文件 |
10001,Stephanie Leung,555-555-5555 10002,Edward Kim,123-456-7890 10003,Jose Madriz,281-330-8004 10004,David Stork,408-555-0000 102343,Posa Wu, 12387887989 |
10003,A,12.95,02-Jun-2008 10001,B,88.25,20-May-2008 10002,C,32.00,30-Nov-2007 10003,D,25.02,22-Jan-2009 21312,F,32.00,23-Jan-2010 |
題目:選出id爲10,000到1000,000,000的用戶數據進行right join(保留右邊,左邊爲如果沒有對應用戶信息則設爲NULL)。
說明:我們設想訂單可以是匿名用戶購買的(比如淘寶網),現在我希望知道這個id範圍的一些訂單信息。
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.contrib.utils.join.DataJoinMapperBase;
import org.apache.hadoop.contrib.utils.join.DataJoinReducerBase;
import org.apache.hadoop.contrib.utils.join.TaggedMapOutput;
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.TextInputFormat;
import org.apache.hadoop.mapred.TextOutputFormat;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;
public class DataJoin extends Configured implements Tool{
public static class Mapper extends DataJoinMapperBase{
protected Text generateInputTag(String inputFile) {
return new Text(inputFile);
}
protected TaggedMapOutput generateTaggedMapOutput(Object value) {
TaggedMapOutput ret = new MyTaggedWritable((Text)value);
String ck = ((Text)value).toString().split(",", 2)[0];
if(10000 > Long.valueOf(ck) || 1000000000 < Long.valueOf(ck)){
return null;
}
ret.setTag(new Text(this.inputTag));
return ret;
}
protected Text generateGroupKey(TaggedMapOutput aRecord) {
return new Text(aRecord.getData().toString().split(",")[0]);
}
}
public static class Reducer extends DataJoinReducerBase{
protected TaggedMapOutput combine(Object[] tags, Object[] values) {
if(tags.length < 1)
return null;
if(tags.length == 1 && ((Text)tags[0]).toString().endsWith("customers")){
return null;
}
String retStr = "";
if(tags.length == 1 && ((Text)tags[0]).toString().endsWith("orders")){
retStr = "NULL,";
}
for(int i = 0; i < values.length; i++){
if(i > 0)
retStr += ",";
retStr +=((MyTaggedWritable)values[i]).getData().toString().split(",",2)[1];
}
TaggedMapOutput ret = new MyTaggedWritable(new Text(retStr));
ret.setTag((Text)tags[0]);
return ret;
}
}
public static class MyTaggedWritable extends TaggedMapOutput{
public Text data;
public MyTaggedWritable(){
this.data = new Text(""); //必須有,否則反序列化時出錯。
}
public MyTaggedWritable(Text data){
this.data = data;
}
public void readFields(DataInput in) throws IOException {
this.tag.readFields(in);
this.data.readFields(in);
}
public void write(DataOutput out) throws IOException {
this.tag.write(out);
this.data.write(out);
}
public Writable getData() {
return this.data;
}
}
public int run(String[] arg0) throws Exception {
Configuration conf = getConf();
JobConf job = new JobConf(conf, DataJoin.class);
job.setJarByClass(DataJoin.class);
Path in = new Path(arg0[0]);
Path out = new Path(arg0[1]);
FileInputFormat.setInputPaths(job,in);
FileOutputFormat.setOutputPath(job, out);
job.setJobName("DataJoin");
job.setMapperClass(Mapper.class);
job.setReducerClass(Reducer.class);
job.setInputFormat(TextInputFormat.class);
job.setOutputFormat(TextOutputFormat.class);
job.setOutputKeyClass(Text.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(MyTaggedWritable.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);
}
}
在generateTaggedMapOutput中我們進行數據過濾,把10000到1000,000,000間的數據選出來,然後在combine進行left join,我們知道combine函數是決定聯結方式的地方。
參考: [1] <<hadoop in action>>