Join在MapReduce中的实现
一、概述
tips: Hive: MapReduce/Spark巧用 explain 查看语法树
-
常见的面试题:描述如何使用MapReduce来实现join功能：考察点
- MapReduce执行流程
- join的底层执行过程
- join的多种实现方式
- ReduceJoin(有shuffle)
- MapJoin(没有ReduceJoin,也就是没有Shuffle的过程)
-
其他常见面试题
- Mapper的泛型里面有几个参数，各是啥意思(4 个，文件输入的key/value；写入上下文的key/value)
- map方法有几个参数，各是啥意思(3 个，文件输入的key/value；上下文)
- 字符串拼接为啥不建议使用 + 而是StringBuilder
- Mapper/Reduce的生命周期
- tips:简历：项目
- 最新的项目写在最前面
- 写的东西一定要真正会的(写的一定要会，会的不一定是自己写的，哈哈)
- 从自己写的东西开始面起，然后逐步扩展=>基金/技术的一个功能链条
- 想要高薪，得挖相关技术的祖坟！
二、原始数据
- emp.txt
7369 SMITH CLERK 7902 1980-12-17 800.00 20
7499 ALLEN SALESMAN 7698 1981-2-20 1600.00 300.00 30
7521 WARD SALESMAN 7698 1981-2-22 1250.00 500.00 40
7566 JONES MANAGER 7839 1981-4-2 2975.00 20
7654 MARTIN SALESMAN 7698 1981-9-28 1250.00 1400.00 30
7698 BLAKE MANAGER 7839 1981-5-1 2850.00 30
7782 CLARK MANAGER 7839 1981-6-9 2450.00 10
7788 SCOTT ANALYST 7566 1987-4-19 3000.00 20
7839 KING PRESIDENT 1981-11-17 5000.00 10
7844 TURNER SALESMAN 7698 1981-9-8 1500.00 0.00 30
7876 ADAMS CLERK 7788 1987-5-23 1100.00 20
7900 JAMES CLERK 7698 1981-12-3 950.00 30
7902 FORD ANALYST 7566 1981-12-3 3000.00 20
7934 MILLER CLERK 7782 1982-1-23 1300.00 40
8888 HIVE PROGRAM 7839 1988-1-23 10300.00
- dept.txt
10 ACCOUNTING NEW YORK
20 RESEARCH DALLAS
30 SALES CHICAGO
40 OPERATIONS BOSTON
三、ReduceJoin流程分析以及实现
数据通过Mapper加载过来，获取当前输入的文件名，确认封装的对象并在对象中标记，以join条件为key写入上下文，然后经过shuffle阶段，然后在Reduce端根据flag分发为不同的对象然后进行排列组合写入文件。
代码实现
import lombok.*;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.*;
import org.apache.hadoop.mapreduce.InputSplit;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileSplit;
import org.apache.hadoop.mapreduce.lib.input.MultipleInputs;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
import java.lang.reflect.Method;
import java.util.ArrayList;
import java.util.List;
/**
* 前提：数据被ETL处理过，能被Hive直接使用
* emp.txt
* empno ename sal
* dept.txt
* deptno dname
*
* emp.txt 与 dept.txt是多对一的关系
* @author Liucheng
* @since 2019-12-06
*/
public class ReduceJoinApp {
public static void main(String[] args) throws Exception {
// 配置类；默认为本地文件系统
Configuration configuration = new Configuration();
// Job工作类
Job job = Job.getInstance(configuration);
// 设置住主类
job.setJarByClass(ReduceJoinApp.class);
// 配置Reducer Task任务个数
// job.setNumReduceTasks(3);
// 配置Mapper与Reducer
job.setMapperClass(ReduceJoinMapper.class);
job.setReducerClass(ReduceJoinReducer.class);
// 告知Mapper的输出类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(Entity.class);
// 告知Reducer的输出类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(NullWritable.class);
// 本地需要处理的文件
Path emp = new Path("E:\\ImprovementWorkingSpace\\hadoop-learning\\src\\main\\resources\\join\\emp.txt");
Path dept = new Path("E:\\ImprovementWorkingSpace\\hadoop-learning\\src\\main\\resources\\join\\dept.txt");
Path outputPath = new Path("E:\\ImprovementWorkingSpace\\hadoop-learning\\src\\main\\resources\\join\\reduce-join");
FileSystem fileSystem = FileSystem.get(configuration);
fileSystem.delete(outputPath, true);
MultipleInputs.addInputPath(job, emp, TextInputFormat.class);
MultipleInputs.addInputPath(job, dept, TextInputFormat.class);
FileOutputFormat.setOutputPath(job, outputPath);
job.waitForCompletion(true);
}
}
class ReduceJoinMapper extends Mapper<LongWritable, Text, Text, Entity> {
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
// 获取文件名
String filename = getFileName(context);
String[] datas = value.toString().split("\t");
if (filename.contains("emp.txt")) {
if (datas.length < 8) {
return;
}
// 员工表处理逻辑
String deptno = datas[7];
// 第一个属性flag表示标识来源
Entity emp = new Entity("emp", datas[0], datas[1], datas[5], deptno);
context.write(new Text(deptno), emp);
} else {
// 部门表处理逻辑
if (datas.length < 3) {
return;
}
String deptno = datas[0];
Entity dept = new Entity("dept", datas[1]);
context.write(new Text(deptno), dept);
}
}
/**
* 获取文件名的方法
*/
public String getFileName(Context context) {
// 获取记录对应的文件信息
InputSplit inputSplit = context.getInputSplit();
Class<? extends InputSplit> splitClass = inputSplit.getClass();
FileSplit fileSplit = null;
if (splitClass.equals(FileSplit.class)) {
fileSplit = (FileSplit) inputSplit;
} else if (splitClass.getName().equals("org.apache.hadoop.mapreduce.lib.input.TaggedInputSplit")) {
try {
Method getInputSplitMethod = splitClass.getDeclaredMethod("getInputSplit");
getInputSplitMethod.setAccessible(true);
fileSplit = (FileSplit) getInputSplitMethod.invoke(inputSplit);
} catch (Exception e) {
System.out.println(e);
throw new RuntimeException(e);
}
}
// 获取文件名
String fileName = fileSplit.getPath().getName();
// 获取文件所在的路径名
String filePath = fileSplit.getPath().getParent().toUri().getPath();
return fileName;
}
}
class ReduceJoinReducer extends Reducer<Text, Entity, Text, NullWritable> {
@Override
protected void reduce(Text key, Iterable<Entity> values, Context context) throws IOException, InterruptedException {
List<Entity> emps = new ArrayList<>();
Entity[] dept = new Entity[1];
values.forEach(entity -> {
if ("emp".equals(entity.getFlag())) {
emps.add(new Entity(entity));
System.out.println("刚取出来时" + entity);
} else if ("dept".equals(entity.getFlag())) {
dept[0] = new Entity(entity);
System.out.println("刚取出来时" + entity);
}
});
emps.forEach(entity -> {
StringBuilder sb = new StringBuilder();
sb.append(entity.getEmpnno()).append("\t")
.append(entity.getEname()).append("\t")
.append(entity.getSal()).append("\t")
.append(entity.getDeptno()).append("\t")
.append(dept[0].getDname());
try {
context.write(new Text(sb.toString()), NullWritable.get());
} catch (IOException e) {
e.printStackTrace();
} catch (InterruptedException e) {
e.printStackTrace();
}
});
}
}
@Getter
@Setter
@AllArgsConstructor
@NoArgsConstructor
class Entity implements Writable {
private String flag;
private String empnno;
private String ename;
private String sal;
private String deptno;
private String dname;
public Entity(String flag, String empnno, String ename, String sal, String deptno) {
this.flag = flag;
this.empnno = empnno;
this.ename = ename;
this.sal = sal;
this.deptno = deptno;
}
public Entity(String flag, String dname) {
this.flag = flag;
this.dname = dname;
}
public Entity(Entity newEntity) {
this.flag = newEntity.getFlag();
this.empnno = newEntity.getEmpnno();
this.ename = newEntity.getEname();
this.sal = newEntity.getSal();
this.deptno = newEntity.getDeptno();
this.dname = newEntity.getDname();
}
@Override
public void write(DataOutput out) throws IOException {
out.writeUTF(flag);
out.writeUTF(empnno != null ? empnno : "");
out.writeUTF(ename != null ? ename : "");
out.writeUTF(sal != null ? sal : "");
out.writeUTF(deptno != null ? deptno : "");
out.writeUTF(dname != null ? dname : "");
}
@Override
public void readFields(DataInput in) throws IOException {
this.flag = in.readUTF();
this.empnno = in.readUTF();
this.ename = in.readUTF();
this.sal = in.readUTF();
this.deptno = in.readUTF();
this.dname = in.readUTF();
}
@Override
public String toString() {
return this.hashCode() + "--Entity{" +
"flag='" + flag + '\'' +
", empnno='" + empnno + '\'' +
", ename='" + ename + '\'' +
", sal='" + sal + '\'' +
", deptno='" + deptno + '\'' +
", dname='" + dname + '\'' +
'}';
}
}
四、MapJoin流程分析
- 适合数据小，是否有必要全部
- shuffle是整个大数据处理过程中非常耗时，非常损耗性能的地方
- 能规避shuffle的地方就不要使用shuffle【调优，有些情况下进行shuffle是更加优化，这种情况比较少】
- 将小文件的内容写入缓存，读取比较大文件，然后在缓存中根据join条件查找写入缓存即可。
- 代码实现
package com.hahadasheng.bigdata.hadooplearning.reducejoin;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
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.output.FileOutputFormat;
import java.io.*;
import java.net.URI;
import java.util.HashMap;
import java.util.Map;
/**
* @author Liucheng
* @since 2019-12-07
*/
public class MapperJoinApp {
public static void main(String[] args) throws Exception {
Configuration configuration = new Configuration();
Job job = Job.getInstance(configuration);
job.setJarByClass(MapperJoinApp.class);
// 配置Reducer Task任务个数为0
job.setNumReduceTasks(0);
job.setMapperClass(MapperJoinMapper.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(NullWritable.class);
// 小文件 hdfs文件
URI dept = new URI("/mapjoin/dept.txt");
// 将小文件加到分布式缓存中
job.addCacheFile(dept);
// 大文件 hdfs文件
Path emp = new Path("/mapjoin/emp.txt");
// 写入大文件
FileInputFormat.setInputPaths(job, emp);
Path outputPath = new Path("/mapjoin/map-join");
FileSystem fileSystem = FileSystem.get(configuration);
fileSystem.delete(outputPath, true);
// 文件输出
FileOutputFormat.setOutputPath(job, outputPath);
job.waitForCompletion(true);
}
}
class MapperJoinMapper extends Mapper<LongWritable, Text, Text, NullWritable> {
private Map<String, String> deptCatch = new HashMap<>();
@Override
protected void setup(Context context) throws IOException, InterruptedException {
String filePath = context.getCacheFiles()[0].toString();
//String filePath = "E:/ImprovementWorkingSpace/hadoop-learning/src/main/resources/join/dept.txt";
// 如下这个方法是在本地读取文件，在HDFS上会报错！
BufferedReader br = new BufferedReader(new FileReader(filePath));
String line;
while ((line = br.readLine()) != null) {
String[] datas = line.split("\t");
// 部门表处理逻辑
if (datas.length < 3) {
return;
}
String deptno = datas[0];
String dname = datas[1];
deptCatch.put(deptno, dname);
}
}
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
String[] datas = value.toString().split("\t");
if (datas.length < 8) {
return;
}
// 员工表处理逻辑
String empnno = datas[0];
String ename = datas[1];
String sal = datas[5];
String deptno = datas[7];
StringBuilder sb = new StringBuilder();
sb.append(empnno).append("\t")
.append(empnno).append("\t")
.append(ename).append("\t")
.append(sal).append("\t")
.append(deptno).append("\t")
.append(deptCatch.get(deptno));
context.write(new Text(sb.toString()), NullWritable.get());
}
}
win10环境下有问题，建议在Linux环境下测试。
- 修改文件core-site.xml添加如下内容
<property>
<name>dfs.permissions</name>
<value>false</value>
</property>
- 问题解决
1. 每个节点的core-site.xml要添加配置
<property>
<name>dfs.permissions</name>
<value>false</value>
</property>
2. main方法中的
job.addCacheFile(new URI(xxx))
这里会在hdfs上找对应的文件，如果没有则会报错
3. Mapper中的setup
String filePath = context.getCacheFiles()[0].toString();
BufferedReader br = new BufferedReader(new FileReader(filePath));
这个是在本地文件系统找文件，因为调用的是Java标准库的API，没有使用Hadoop相关的流，我尝试过使用完成的路径，加上hdfs://hadoop:8020也会报错；
3. 最终，我在hdfs上创建 了目录，并把dept.txt文件上传到该目录，然后在Linux本机同样创建相同的目录，将dept.txt文件也拷贝一份，终于运行成功了
五、小文件
Hadoop存储TB甚至更大级别的数据集
file ==> block ==> 3
==> DN directory
元数据信息存放在 NN NameNode 内存中
100M vs 1k 的信息都会存放在NN中，
如果小文件越多，NN的压力越大，就算是有备份的NN，也无济于事
什么是小文件：按照自己忍受的程度决定
CDH blocksize 128M 默认，可以自定制
blocks的大小设置决定了 元数据信息 大小
NN的内存多少就决定存储多少
monitor 监控 小文件的问题
小文件是怎么产生的？
故障：解决 ==> 为什么会产生这个故障？ ==> 解决或者规避故障
1) 某种手段把数据采集过来
Flume 如果使用不当，采集到HDFS的数据会有很多的小文件 raw 源数据 (仅仅按照官网配置，没有优化手段)
Logstash
从 WebServer 采集到HDFS
2) MR<进程>/Hive/Spark(Core/SQL/Streaming)<线程>
ETL预处理 产生很多小文件
Stat统计分析 数据仓库 分好几层 又是一对小文件
小文件解决方案
删？
原始数据处理完可以，
ETL: 时间 比如1年 2年之后 ==> 迁移(discp 工具)
Stat统计: 可以？ 不可以 ？
合？
标题党推荐的SequenceFile优点、缺点？，自己要有辨识度
CombineFileInputFormat 文本、列式(ORC/Parquet)
Hive合并小文件的参数控制： 性能不咋样 假如没有使用Hive咋办
Hadoop追加：可以？ 不可以？
离线处理 batch 假如为 ETL ==> 目录
假如数据是错的 ==> 重跑 append 数据不对了
HBase: 假如生产上没有使用HBase咋办
如果生成上使用了Spark/Flink：一个task处理多少数据
reduce个数决定了 ==> 文件输出的个数 根据环境
多 ==> 快 但是files多
少 ==> skew歪斜
SQL：
学大数据要学会造数据。
学会看英文文档。看一手的东西。愿意去读，长期积累。技术更新迭代很快，只有学会看一手文档才能保持自身的知识迭代。
大数据调优，要根据线上的环境找合适的方式解决，没有一劳永逸的方案。
官网 DistCp 工具 是一个MapReduce作业，但是没有Reduce工程
面试题(查看官网！)
hadoop2有哪些新特性，那个版本添加进来的
hadoop3有哪些新特性，那个版本添加进来的
MapReduce仅有map,不需要reduce的场景
MapJoin ETL Sqoop
WebHDFS
Federation
Snapshots
Quotas and HDFS
Short Circuit Local Reads
Centralized Cache Management
版本信息介绍
Cloudera: CDH 手工搭建 CM WebUI搭建
Hortonworks: HDP
MapR:
