MapReduce之Join操作(一)

MapReduce之Join操作(1)

在关系型数据库中join是非常常见的操作，各种优化手段已经到了极致。在海量数据的环境下，不可避免的也会碰到这种类型的需求，例如在数据分析时需要连接从不同的数据源中获取到的数据。不同于传统的单机模式，在分布式存储的下采用MapReduce编程模型，也有相应的处理措施和优化方法。

本文对Hadoop中最基本的join方法进行简单介绍，这也是其它许多方法和优化措施的基础。文中所采用的例子来自于《Hadoop in Action》一书中的5.2节。假设两个表所在的文件分别为Customers和Orders，以CSV格式存储在HDFS中。

3,A,12.95,02-Jun-2008
1,B,88.25,20-May-2008

2,C,32.00,30-Nov-2007
3,D,25.02,22-Jan-2009

这里的Customer ID是连接的键，那么连接的结果:

????? 回忆一下Hadoop中MapReduce中的主要几个过程：依次是读取数据分块，map操作，shuffle操作，reduce操作，然后输出结果。简单来说，其本质在于大而化小，分拆处理。显然我们想到的是将两个数据表中键值相同的元组放到同一个reduce结点进行，关键问题在于如何做到？具体处理方法是将map操作输出的key值设为两表的连接键(如例子中的Customer ID)，那么在shuffle阶段，Hadoop中默认的partitioner会将相同key值得map输出发送到同一个reduce结点。所以整个过程如下图所示：

??????? 这种方法称为Repartition Join，同时它进行join操作是在reduce阶段进行，也属于Reduce-side Join；在Hadoop中contrib目录下的datajoin就是采用的这种方法。