书上的单表关联.doc

1.?单表关联?实例描述 ??? 实例中给出child-parent（孩子——父母）表，要求输出grandchild-grandparent（孙子——爷奶）表。 ??? 样例输入如下所示。 ????file： ? child??????? parent Tom??????? Lucy Tom??????? Jack Jone??????? Lucy Jone??????? Jack Lucy??????? Mary Lucy??????? Ben Jack??????? Alice Jack??????? Jesse Terry??????? Alice Terry??????? Jesse Philip??????? Terry Philip??????? Alma Mark??????? Terry Mark??????? Alma ?样例输出如下所示。 ????file： ? grandchild??????? grandparent Tom??????????? 　　Alice Tom??????????? 　　Jesse Jone??????????? 　　Alice Jone???????????　　 Jesse Tom??????????? 　　Mary Tom??????????? 　　Ben Jone???????????　　 Mary Jone???????????　　 Ben Philip??????????　　? Alice Philip??????????? 　　Jesse Mark???????????　　 Alice Mark???????????　　 Jesse ? ?????? 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。再与最开始的分析联系起来： 　　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 ??? 程序代码如下所示。 ? package?com.hebut.mr; ? 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