Note-Hadoop: Reduce side data join


Goal:

实现两组数据的合并
input data 1:

place_id \t woeid \t latitude \t longitude \t place_name \t place_type_id \t place_url

Input data 2:

photo_id \t owner \t tags \t date_taken \t place_id \t accuracy


For data join, usually there are two different ways:

  1. map side join
  2. reduce side join


    map-side-join ![Reduce-side-Join](http://upload-images.jianshu.io/upload_images/5688533-6052e3bfe7ac2fff.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)

map side join通常要求从 dataset->Map 的数据有序,否则,其时间复杂度将是n的x次方,x为dataset的个数。
因为我们的Input data 2 含有很多不同的dataset, 可能会消耗很长的时间,所以选择使用reduce side join。


Expect mapper output

output data 1:

place_id#0 \t place_type_id \t place_url

output data 2:

place_id#1 \t photo_id \t tags

我们将place_id 作为key,对来源不同的数据组在‘#’后加上数字予以辨别,然后再选取需要的数据从mapper当中进行输出。


Shuffle

我们在shuffle当中进行一个partion:根据place_id作为key当成第一主键,‘#’后的数字标记label为第二主键进行排序和分区。
排序和分区后的数据进入reducer

可以通过

-D mapreduce.partition.keypartitioner.options=-k1,1 \

进行实现


Reducer

此时进入reducer的data应该是排序分区好了的sorted data
Input data 1:

place_id#0 \t place_type_id \t place_url

Input data 2:

place_id#1 \t photo_id \t tags

此时我们期望的output应该是通过place_id 作为key将两组数据连接在一起
Output data:

photo_id \t tags \t place_type_id \t place_url


Code

具体的代码实现如下
Mapper:

#!/usr/bin/python3

import sys


def multi_mapper():
    """ This mapper will output different format dependind on input type
    If input is place file:
    Input format: place_id \t woeid \t latitude \t longitude \t place_name \t place_type_id \t place_url
    Output format: place_id#0 \t place_type_id \t place_url
                
    If input is photo file:
    Input format: photo_id \t owner \t tags \t date_taken \t place_id \t accuracy
    Output format: place_id#1 \t photo_id \t tags
    """
    for line in sys.stdin:
        parts = line.strip().split("\t")
        
        if len(parts) == 7:
            place_id, place_type_id, place_url = parts[0].strip(), parts[5].strip(), parts[6].strip()
            if place_type_id == '7' or place_type_id == '22':
                print(place_id + "#0\t" + place_type_id + "\t" + place_url)
        
        elif len(parts) == 6:
            photo_id, place_id, tags = parts[0].strip(), parts[4].strip(), parts[2].strip()
            print(place_id + "#1\t" + photo_id + "\t" + tags)


if __name__ == "__main__":
    multi_mapper()

Reducer:

#!/usr/bin/python3

import sys

def read_map_output(file):
    """ Return an key-value pair extracted from file (sys.stdin).
    Input format: key \t value
    Output format: (key, value)
    """
    for line in file:
        yield line.strip().split('\t', 1)


def combine_place():
    """ This reducer run reduce side join
    Input format: place_id#0 \t place_type_id \t place_url
                  place_id#1 \t photo_id \t tags
    Ourput format: photo_id  \t tags \t place_type_id \t place_url
    """

    data = read_map_output(sys.stdin)

    current_place_id = ''
    current_place_url_and_type_id= 'NULL'
    for key, value in data:
        # check input is valid
        if key == '':
            continue

        # split key by '#' , get the place_id and a number
        key = key.split('#')

        # check the key-value pair come from place or come from photo
        if key[0] != current_place_id:
            if key[1] == '0':
                current_place_id = key[0]
                current_place_url_and_type_id = value
            else:
                current_place_id = key[0]
                current_place_url_and_type_id = 'NULL'

                print(value + '\t' + current_place_url_and_type_id)
        else:
            print(value + '\t' + current_place_url_and_type_id)

    

if __name__ == '__main__':
    combine_place()
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 206,482评论 6 481
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 88,377评论 2 382
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 152,762评论 0 342
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 55,273评论 1 279
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 64,289评论 5 373
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,046评论 1 285
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,351评论 3 400
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,988评论 0 259
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 43,476评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,948评论 2 324
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,064评论 1 333
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,712评论 4 323
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,261评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,264评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,486评论 1 262
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,511评论 2 354
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,802评论 2 345

推荐阅读更多精彩内容