MapReduce案例之单表关联

标签: mapreduce 关联 | 发表时间:2015-05-01 21:59 | 作者:seandeng888
出处:http://www.iteye.com

1       单表关联

1.1              单表关联

"单表关联"这个实例要求从给出的数据中寻找所关心的数据,它是对原始数据所包含信息的挖掘。

1.2              应用场景

实例中给出child-parent(孩子——父母)表,要求输出grandchild-grandparent(孙子——爷奶)表。

201206041339478410.png (810×283)

 

1.3              设计思路

        分析这个实例,显然需要进行单表连接,连接的是左表的parent列和右表的child列,且左表和右表是同一个表。

  连接结果中除去连接的两列就是所需要的结果——"grandchild--grandparent"表。要用MapReduce解决这个实例,首先应该考虑如何实现表的自连接;其次就是连接列的设置;最后是结果的整理。

       考虑到MapReduce的shuffle过程会将相同的key会连接在一起,所以可以将map结果的key设置成待连接的列,然后列中相同的值就自然会连接在一起了。

  要连接的是左表的parent列和右表的child列,且左表和右表是同一个表,所以在map阶段将读入数据分割成child和parent之后,会将parent设置成key,child设置成value进行输出,并作为左表;再将同一对child和parent中的child设置成key,parent设置成value进行输出,作为右表。为了区分输出中的左右表,需要在输出的value中再加上左右表的信息,比如在value的String最开始处加上字符1表示左表,加上字符2表示右表。这样在map的结果中就形成了左表和右表,然后在shuffle过程中完成连接。reduce接收到连接的结果,其中每个key的value-list就包含了"grandchild--grandparent"关系。取出每个key的value-list进行解析,将左表中的child放入一个数组,右表中的parent放入一个数组,然后对两个数组求笛卡尔积就是最后的结果了。

1.4              程序代码

    程序代码如下所示。

import java.io.IOException;

import java.util.*;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.IntWritable;

import org.apache.hadoop.io.Text;

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.FileInputFormat;

import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import org.apache.hadoop.util.GenericOptionsParser;

public  class STjoin {

     public  static  int  time = 0;

    /*

     * map将输出分割child和parent,然后反序输出一次作为左表,

     * 正序输出一次作为右表,需要注意的是在输出的value中必须

     * 加上左右表的区别标识。

     */

     public  static  class Map  extends Mapper<Object, Text, Text, Text> {

        // 实现map函数

         public  void map(Object key, Text value, Context context)

                 throws IOException, InterruptedException {

            String childname =  new String();// 孩子名称

            String parentname =  new String();// 父母名称

            String relationtype =  new String();// 左右表标识

            // 输入的一行预处理文本

            StringTokenizer itr= new StringTokenizer(value.toString());

            String[] values= new String[2];

             int i=0;

             while(itr.hasMoreTokens()){

                values[i]=itr.nextToken();

                i++;

            }

             if (values[0].compareTo("child") != 0) {

                childname = values[0];

                parentname = values[1];

                // 输出左表

                relationtype = "1";

                context.write( new Text(values[1]),  new Text(relationtype +

                        "+"+ childname + "+" + parentname));

                // 输出右表

                relationtype = "2";

                context.write( new Text(values[0]),  new Text(relationtype +

                        "+"+ childname + "+" + parentname));

            }

        }

    }

     public  static  class Reduce  extends Reducer<Text, Text, Text, Text> {

        // 实现reduce函数

         public  void reduce(Text key, Iterable<Text> values, Context context)

                 throws IOException, InterruptedException {

            // 输出表头

             if (0 ==  time) {

                context.write( new Text("grandchild"),  new Text("grandparent"));

                 time++;

            }

             int grandchildnum = 0;

            String[] grandchild =  new String[10];

             int grandparentnum = 0;

            String[] grandparent =  new String[10];

            Iterator ite = values.iterator();

             while (ite.hasNext()) {

                String record = ite.next().toString();

                 int len = record.length();

                 int i = 2;

                 if (0 == len) {

                     continue;

                }

                // 取得左右表标识

                 char relationtype = record.charAt(0);

                // 定义孩子和父母变量

                String childname =  new String();

                String parentname =  new String();

                // 获取value-list中value的child

                 while (record.charAt(i) != '+') {

                    childname += record.charAt(i);

                    i++;

                }

                i = i + 1;

                // 获取value-list中value的parent

                 while (i < len) {

                    parentname += record.charAt(i);

                    i++;

                }

                // 左表,取出child放入grandchildren

                 if ('1' == relationtype) {

                    grandchild[grandchildnum] = childname;

                    grandchildnum++;

                }

                // 右表,取出parent放入grandparent

                 if ('2' == relationtype) {

                    grandparent[grandparentnum] = parentname;

                    grandparentnum++;

                }

            }

            // grandchild和grandparent数组求笛卡尔儿积

             if (0 != grandchildnum && 0 != grandparentnum) {

                 for ( int m = 0; m < grandchildnum; m++) {

                     for ( int n = 0; n < grandparentnum; n++) {

                        // 输出结果

                        context.write( new Text(grandchild[m]),  new Text(grandparent[n]));

                    }

                }

            }

        }

    }

     public  static  void main(String[] args)  throws Exception {

        Configuration conf =  new Configuration();

        conf.set("mapred.job.tracker", "192.168.1.2:9001");

        String[] ioArgs =  new String[] { "STjoin_in", "STjoin_out" };

        String[] otherArgs =  new GenericOptionsParser(conf, ioArgs).getRemainingArgs();

         if (otherArgs.length != 2) {

            System. err.println("Usage: Single Table Join <in> <out>");

            System. exit(2);

        }

        Job job =  new Job(conf, "Single Table Join");

        job.setJarByClass(STjoin. class);

        // 设置Map和Reduce处理类

        job.setMapperClass(Map. class);

        job.setReducerClass(Reduce. class);

        // 设置输出类型

        job.setOutputKeyClass(Text. class);

        job.setOutputValueClass(Text. class);

        // 设置输入和输出目录

        FileInputFormat. addInputPath(job,  new Path(otherArgs[0]));

        FileOutputFormat. setOutputPath(job,  new Path(otherArgs[1]));

        System. exit(job.waitForCompletion( true) ? 0 : 1);

    }

}

 



已有 0 人发表留言,猛击->> 这里<<-参与讨论


ITeye推荐



相关 [mapreduce 关联] 推荐:

MapReduce案例之多表关联

- - 行业应用 - ITeye博客
1       多表关联. 1.1              多表关联. 多表关联和单表关联类似,它也是通过对原始数据进行一定的处理,从其中挖掘出关心的信息. 1.2              应用场景. 输入是两个文件,一个代表工厂表,包含工厂名列和地址编号列;另一个代表地址表,包含地址名列和地址编号列.

MapReduce案例之单表关联

- - 行业应用 - ITeye博客
1       单表关联. 1.1              单表关联. "单表关联"这个实例要求从给出的数据中寻找所关心的数据,它是对原始数据所包含信息的挖掘. 1.2              应用场景. 实例中给出child-parent(孩子——父母)表,要求输出grandchild-grandparent(孙子——爷奶)表.

Mapreduce小结

- MAGI-CASPER/Peter Pan - 博客园-唯有前进值得敬仰
读完mapreduce论文小结一下. 1.MapReduce是一个编程模型,封装了并行计算、容错、数据分布、负载均衡等细节问题. 输入是一个key-value对的集合,中间输出也是key-value对的集合,用户使用两个函数:Map和Reduce. Map函数接受一个输入的key-value对,然后产生一个中间key-value 对的集合.

Hadoop MapReduce技巧

- - 简单文本
我在使用Hadoop编写MapReduce程序时,遇到了一些问题,通过在Google上查询资料,并结合自己对Hadoop的理解,逐一解决了这些问题. Hadoop对MapReduce中Key与Value的类型是有要求的,简单说来,这些类型必须支持Hadoop的序列化. 为了提高序列化的性能,Hadoop还为Java中常见的基本类型提供了相应地支持序列化的类型,如IntWritable,LongWritable,并为String类型提供了Text类型.

MapReduce原理

- - C++博客-牵着老婆满街逛
       MapReduce 是由Google公司的Jeffrey Dean 和 Sanjay Ghemawat 开发的一个针对大规模群组中的海量数据处理的分布式编程模型. MapReduce实现了两个功能. Map把一个函数应用于集合中的所有成员,然后返回一个基于这个处理的结果集. 而Reduce是把从两个或更多个Map中,通过多个线程,进程或者独立系统并行执行处理的结果集进行分类和归纳.

MapReduce优化

- - 行业应用 - ITeye博客
相信每个程序员在 编程时都会问自己两个问题“我如何完成这个任务”,以及“怎么能让程序运行得更快”. 同样,MapReduce计算模型的多次优化也是为了更好地解答这两个问题. MapReduce计算模型的优化涉及了方方面面的内容,但是主要集中在两个方面:一是计算性能方面的优化;二是I/O操作方面的优化.

Spark与Mapreduce?

- - 崔永键的博客
我本人是类似Hive平台的系统工程师,我对MapReduce的熟悉程度是一般,它是我的底层框架. 我隔壁组在实验Spark,想将一部分计算迁移到Spark上. 年初的时候,看Spark的评价,几乎一致表示,Spark是小数据集上处理复杂迭代的交互系统,并不擅长大数据集,也没有稳定性. 但是最近的风评已经变化,尤其是14年10月他们完成了Peta sort的实验,这标志着Spark越来越接近替代Hadoop MapReduce了.

Google Percolator替代MapReduce

- Hao - Solidot
Google在新一代内容索引系统中放弃了MapReduce,替代者是尚不为人知的分布式数据处理系统Percolator. The Register报道,Percolator是一种增量处理平台,它能持续更新索引系统,无需从头重新处理一遍整个系统. Google的工程师计划在下个月举行的年度USENIX Symposium 会议上公布Percolator相关论文.

下一代Hadoop MapReduce

- Jia - NoSQLFan
本文来自Hadoop Summit大会的一个演讲稿,主讲是Hadoop核心开发团队的Arun C Murthy (@acmurthy),同时他也是Yahoo!刚刚剥离的Hadoop独立公司Hortonworks的 Founder和架构师. 演讲中他讲述了现在的Hadoop存在的一些问题和集群上限,并展望了下一代Hadoop和其MapReduce将会得到的巨大提升.

MapReduce执行流程

- - CSDN博客云计算推荐文章
MapReduce的大体流程是这样的,如图所示:. 由图片可以看到mapreduce执行下来主要包含这样几个步骤. 1.首先对输入数据源进行切片. 2.master调度worker执行map任务. 3.worker读取输入源片段. 4.worker执行map任务,将任务输出保存在本地. 5.master调度worker执行reduce任务,reduce worker读取map任务的输出文件.