[Hadoop] 分布式Join : Replicated Join

上一篇文章说的ReduceSide Join的一个缺点就是，在map方法之中，只对数据加了tag、提取了groupkey，没有做任何的数据过滤，这样在map-reduce之中的shuffle过程会造成大量的 磁盘IO使得效率降低。

 

这次使用的是Replicated Join，完成的任务跟上次一样.

它有一个前提：需要关联在一起的两个文件，其中一个文件比较小，至少能放到内存之中。

 

其中一个关键的地方就是，在运行job之前，先将本地的小文件（简称为smallIn）上传到Hadoop集群的每一个服务器之中。在每个集群之中，大文件的split跟smallIn进行jion的操作。这样效率会比较高。

上传的代码：

 

Path smallIn = new Path("...");
DistributedCache.addCacheFile(smallIn.toUri(), conf);

 除了这种方式，可以在命令行调用的时候自动上传：

 

bin/hadoop jar -files smallIn DataJoinDC.jar big_in.txt output

 

我们对比两个文件的原始大小：

u.user: 23KB

u.data: 1933KB

所以，显然我们应该选择u.user作为DistributedCache文件。

 

在Map类之中，如果使用新的API，则在setup之中进行，如果是old api 则在configure()方法之中进行分解动作。

获取Cache之中的文件的代码如下：

URI[] cachesFiles = DistributedCache.getCacheFiles(conf);

 这跟<Hadoop in Action> 上的代码不太一样，书上是调用 

Path[] cachesFiles = DistributedCache.getLocalCacheFiles(conf);

 一般这是在Local模式下进行的。

 

 

Note：

以上一部分是猜测！因为这个程序在我的环境Eclipse + Ubunut (Pseodu-Distributed) 模式没有成功，无法正确的获取到Cache文件！

 

最后，贴上我的代码做个纪念，暂时保留这个问题：

 

import java.io.File;
import java.io.IOException;
import java.net.URI;
import java.util.Hashtable;
import java.util.Iterator;

import org.apache.commons.io.FileUtils;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.filecache.DistributedCache;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.KeyValueTextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;

public class Main {

	private static final String U_DATA_SEPARATOR = "\t";
	private static final String U_USER_SEPARATOR = "[|]";
	
	public static class Map extends Mapper<Text, Text, Text, Text> {

		private Hashtable<String, String> table = new Hashtable<String, String>();
		
		@Override
		protected void map(Text key, Text value,
				Mapper<Text, Text, Text, Text>.Context context)
				throws IOException, InterruptedException {
			String dataInfo = value.toString();
			if(dataInfo.trim().length() == 0) return;
			if(table.containsKey(key.toString())) {
				String userInfo = table.get(key.toString());
				String[] userTokens = userInfo.split(U_USER_SEPARATOR);
				String userData = "age=" + userTokens[0];
				
				String[] dataTokens = dataInfo.split(U_DATA_SEPARATOR);
				String ratingData = "ratings=" + dataTokens[1];
				
				context.write(key, new Text(userData + "|" + ratingData));
			}
		}

		@Override
		protected void setup(Mapper<Text, Text, Text, Text>.Context context)
				throws IOException, InterruptedException {
			
			try {
				Configuration conf = context.getConfiguration();
//				Path[] cachesFiles = DistributedCache.getLocalCacheFiles(conf);
				URI[] cachesFiles = DistributedCache.getCacheFiles(conf);
				
				if(cachesFiles != null && cachesFiles.length > 0) {
					Iterator<String> it = FileUtils.lineIterator(new File(cachesFiles[0].toString()));
					while(it.hasNext()) {
						String line = it.next();
						System.out.println("~~~~~~~ line=" + line);
						if(line.trim().length() == 0) continue;
						String[] tokens = line.split(U_USER_SEPARATOR, 2);
						table.put(tokens[0], tokens[1]);
					}
				} else {
					System.out.println("!!!!!!!!!!!!!!!! empty cache files");
				}
			} catch (IOException e) {
				e.printStackTrace();
			}
			
		}
		
		
		
	}
	
	public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
		
		Configuration conf = new Configuration();
		Job job = Job.getInstance(conf, "word count");
		job.setJobName("Replicated Join");
		job.setJarByClass(Main.class);
		job.setMapperClass(Map.class);
		job.setNumReduceTasks(0);
		job.setInputFormatClass(KeyValueTextInputFormat.class);
		job.setOutputFormatClass(TextOutputFormat.class);
//		job.setOutputKeyClass(Text.class);
//		job.setOutputValueClass(TextOutputFormat.class);

		FileSystem fs = FileSystem.get(conf);
		
//		Path localSmallIn = new Path("/home/hadoop/DataSet/movielens/u.user");
		Path hdfsSmallIn = new Path("/data/u.user");
//		fs.copyFromLocalFile(true, localSmallIn , hdfsSmallIn);
//		DistributedCache.addCacheFile(
//				hdfsSmallIn.toUri(), conf);
		
		Path bigIn = new Path("/home/hadoop/DataSet/movielens/u.data");
		Path out = new Path("/home/hadoop/DataSet/movielens-Replicated-output");
		
//		Path bigIn = new Path("/data/u.data");
//		Path out = new Path("/data/movielens-Replicated-output");
		
		if(fs.exists(out)) {
			System.out.println("输出目录已经存在,将其删除~");
			fs.delete(out, true);
		}
		FileInputFormat.setInputPaths(job, bigIn);
		FileOutputFormat.setOutputPath(job, out);
		conf.set("mapreduce.input.keyvaluelinerecordreader.key.value.separator", U_DATA_SEPARATOR);
//		job.set("key.value.separator.in.input.line", U_DATA_SEPARATOR);		// for u.data
		
		System.exit(job.waitForCompletion(true) ? 0 : 1);
		
	}
}