Hadoop之使用python实现数据集合间join操作

hadoop之steaming介绍

hadoop有个工具叫做steaming，能够支持python、shell、C++、PHP等其他任何支持标准输入stdin及标准输出stdout的语言，其运行原理可以通过和标准java的map-reduce程序对比来说明：

使用原生java语言实现Map-reduce程序

1. hadoop准备好数据后，将数据传送给java的map程序
2. java的map程序将数据处理后，输出O1
3. hadoop将O1打散、排序，然后传给不同的reduce机器
4. 每个reduce机器将传来的数据传给reduce程序
5. reduce程序将数据处理，输出最终数据O2

借助hadoop streaming使用python语言实现Map-reduce程序

1. hadoop准备好数据后，将数据传送给java的map程序
2. java的map程序将数据处理成“键/值”对，并传送给python的map程序
3. python的map程序将数据处理后，将结果传回给java的map程序
4. java的map程序将数据输出为O1
5. hadoop将O1打散、排序，然后传给不同的reduce机器
6. 每个reduce机器将传来的数据处理成“键/值”对，并传送给python的reduce程序
7. python的reduce程序将数据处理后，将结果返回给java的reduce程序
8. java的reduce程序将数据处理，输出最终数据O2

上面红色表示map的对比，蓝色表示reduce的对比，可以看出streaming程序多了一步中间处理，这样说来steaming程序的效率和性能应该低于java版的程序，然而python的开发效率、运行性能有时候会大于java，这就是streaming的优势所在。

hadoop之实现集合join的需求

hadoop是用来做数据分析的，大都是对集合进行操作，因此该过程中将集合join起来使得一个集合能得到另一个集合对应的信息的需求非常常见。

比如以下这个需求，有两份数据：学生信息（学号，姓名）和学生成绩（学号、课程、成绩），特点是有个共同的主键“学号”，现在需要将两者结合起来得到数据（学号，姓名，课程，成绩），计算公式：

（学号，姓名） join （学号，课程，成绩）= （学号，姓名，课程，成绩）

数据事例1-学生信息：

数据事例2:-学生成绩：

期待的最终输出：

实现join的注意点和易踩坑总结

如果你想写一个完善健壮的map reduce程序，我建议你首先弄清楚输入数据的格式、输出数据的格式，然后自己手动构建输入数据并手动计算出输出数据，这个过程中你会发现一些写程序中需要特别处理的地方：

1. 实现join的key是哪个，是1个字段还是2个字段，本例中key是sno，1个字段
2. 每个集合中key是否可以重复，本例中数据1不可重复，数据2的key可以重复
3. 每个集合中key的对应值是否可以不存在，本例中有学生会没成绩，所以数据2的key可以为空

第1条会影响到hadoop启动脚本中key.fields和partition的配置，第2条会影响到map-reduce程序中具体的代码实现方式，第3条同样影响代码编写方式。

hadoop实现join操作的思路

具体思路是给每个数据源加上一个数字标记label，这样hadoop对其排序后同一个字段的数据排在一起并且按照label排好序了，于是直接将相邻相同key的数据合并在一起输出就得到了结果。

1、 map阶段：给表1和表2加标记，其实就是多输出一个字段，比如表一加标记为0，表2加标记为2；

2、 partion阶段：根据学号key为第一主键，标记label为第二主键进行排序和分区

3、 reduce阶段：由于已经按照第一主键、第二主键排好了序，将相邻相同key数据合并输出

hadoop使用python实现join的map和reduce代码

mapper.py的代码：

# -*- coding: utf-8 -*-
#Mapper.py
#来自疯狂的蚂蚁www.crazyant.net
import os
import sys
 
#mapper脚本
def mapper ( ) :
#获取当前正在处理的文件的名字，这里我们有两个输入文件
#所以要加以区分
filepath = os . environ [ "map_input_file" ]
filename = os . path . split ( filepath ) [ - 1 ]
for line in sys . stdin :
if line . strip ( ) == "" :
continue
fields = line [ : - 1 ] . split ( "\t" )
sno = fields [ 0 ]
#以下判断filename的目的是不同的文件有不同的字段，并且需加上不同的标记
if filename == 'data_info' :
name = fields [ 1 ]
#下面的数字'0'就是为数据源1加上的统一标记
print '\t' . join ( ( sno , '0' , name ) )
elif filename == 'data_grade' :
courseno = fields [ 1 ]
grade = fields [ 2 ]
#下面的数字'1'就是为数据源1加上的统一标记
print '\t' . join ( ( sno , '1' , courseno , grade ) )
 
if __name__ == '__main__' :
mapper ( )

reducer的代码：

# -*- coding: utf-8 -*-
#reducer.py
#来自疯狂的蚂蚁www.crazyant.net
import sys
 
def reducer ( ) :
#为了记录和上一个记录的区别，用lastsno记录上个sno
lastsno = ""
 
for line in sys . stdin :
if line . strip ( ) == "" :
continue
fields = line [ : - 1 ] . split ( "\t" )
sno = fields [ 0 ]
'' '
处理思路：
遇见当前key与上一条key不同并且label=0，就记录下来name值，
当前key与上一条key相同并且label==1，则将本条数据的courseno、
grade联通上一条记录的name一起输出成最终结果
' ''
if sno != lastsno :
name = ""
#这里没有判断label==1的情况，
#因为sno!=lastno,并且label=1表示该条key没有数据源1的数据
if fields [ 1 ] == "0" :
name = fields [ 2 ]
elif sno == lastno :
#这里没有判断label==0的情况，
#因为sno==lastno并且label==0表示该条key没有数据源2的数据
if fields [ 2 ] == "1" :
courseno = fields [ 2 ]
grade = fields [ 3 ]
if name :
print '\t' . join ( ( lastsno , name , courseno , grade ) )
lastsno = sno
 
if __name__ == '__main__' :
reducer ( )

使用shell脚本启动hadoop程序的方法：

#先删除输出目录
~ / hadoop - client / hadoop / bin / hadoop fs - rmr / hdfs / jointest / output
#来自疯狂的蚂蚁www.crazyant.net
#注意，下面配置中的环境值每个人机器不一样
~ / hadoop - client / hadoop / bin / hadoop streaming \
- D mapred . map . tasks = 10 \
- D mapred . reduce . tasks = 5 \
- D mapred . job . map . capacity = 10 \
- D mapred . job . reduce . capacity = 5 \
- D mapred . job . name = "join--sno_name-sno_courseno_grade" \
- D num . key . fields . for . partition = 1 \
- D stream . num . map . output . key . fields = 2 \
- partitioner org . apache . hadoop . mapred . lib . KeyFieldBasedPartitioner \
- input "/hdfs/jointest/input/*" \
- output "/hdfs/jointest/output" \
- mapper "python26/bin/python26.sh mapper.py" \
- reducer "python26/bin/python26.sh reducer.py" \
- file "mapper.py" \
- file "reducer.py" \
- cacheArchive "/share/python26.tar.gz#python26"
 
#看看运行成功没，若输出0则表示成功了
echo $ ?

可以自己手工构造输入输出数据进行测试，本程序是验证过的。

更多需要注意的地方

hadoop的join操作可以分为很多类型，各种类型脚本的编写有所不同，其分类是按照key字段数目、value字段数目、key是否可重复来划分的，以下是一个个人总结的对照表，表示会影响的地方：

3、map和reduce脚本中key的获取

4、map和reduce脚本中每一条数据和上一条数据比较的方法key是否可重复如果数据源1可重复，标记为M；数据源2可重复标记为N，那么join可以分为：1*1、M*1、M*N类型

1*1类型：reduce中先记录第一个value，然后在下一条直接合并输出；

M*1类型：将类型1作为标记小的输出，然后每次遇见label=1就记录value，每遇见一次label=2就输出一次最终结果；

M*N类型：遇见类型1，就用数组记录value值，遇见label=2就将将记录的数组值全部连同该行value输出。value字段数目影响每次label=1时记录的数据个数，需要将value都记录下来