在傳統資料庫（如：MYSQL）中，JOIN操作是非常常見且非常耗時的。而在HADOOP中進行JOIN操作，同樣常見且耗時，由於Hadoop的獨特設計思想，當進行JOIN操作時，有一些特殊的技巧。

本文首先介紹了Hadoop上通常的JOIN實現方法，然後給出了幾種針對不同輸入資料集的優化方法。

2. 常見的join方法介紹

假設要進行join的資料分別來自File1和File2.

2.1 reduce side join

reduce side join是一種最簡單的join方式，其主要思想如下：

在map階段，map函式同時讀取兩個檔案File1和File2，為了區分兩種來源的key/value資料對，對每條資料打一個標籤（tag）,比如：tag=0表示來自檔案File1，tag=2表示來自檔案File2。即：map階段的主要任務是對不同檔案中的資料打標籤。

在reduce階段，reduce函式獲取key相同的來自File1和File2檔案的value list， 然後對於同一個key，對File1和File2中的資料進行join（笛卡爾乘積）。即：reduce階段進行實際的連線操作。

2.2 map side join

之所以存在reduce side join，是因為在map階段不能獲取所有需要的join欄位，即：同一個key對應的欄位可能位於不同map中。Reduce side join是非常低效的，因為shuffle階段要進行大量的資料傳輸。

Map side join是針對以下場景進行的優化：兩個待連線表中，有一個表非常大，而另一個表非常小，以至於小表可以直接存放到記憶體中。這樣，我們可以將小表複製多份，讓每個map task記憶體中存在一份（比如存放到hash table中），然後只掃描大表：對於大表中的每一條記錄key/value，在hash table中查詢是否有相同的key的記錄，如果有，則連線後輸出即可。

為了支援檔案的複製，Hadoop提供了一個類DistributedCache，使用該類的方法如下：

（1）使用者使用靜態方法DistributedCache.addCacheFile()指定要複製的檔案，它的引數是檔案的URI（如果是HDFS上的檔案，可以這樣：hdfs://jobtracker:50030/home/XXX/file）。JobTracker在作業啟動之前會獲取這個URI列表，並將相應的檔案拷貝到各個TaskTracker的本地磁碟上。（2）使用者使用DistributedCache.getLocalCacheFiles()方法獲取檔案目錄，並使用標準的檔案讀寫API讀取相應的檔案。

2.3 SemiJoin

SemiJoin，也叫半連線，是從分散式資料庫中借鑑過來的方法。它的產生動機是：對於reduce side join，跨機器的資料傳輸量非常大，這成了join操作的一個瓶頸，如果能夠在map端過濾掉不會參加join操作的資料，則可以大大節省網路IO。

實現方法很簡單：選取一個小表，假設是File1，將其參與join的key抽取出來，儲存到檔案File3中，File3檔案一般很小，可以放到記憶體中。在map階段，使用DistributedCache將File3複製到各個TaskTracker上，然後將File2中不在File3中的key對應的記錄過濾掉，剩下的reduce階段的工作與reduce side join相同。

2.4 reduce side join + BloomFilter

在某些情況下，SemiJoin抽取出來的小表的key集合在記憶體中仍然存放不下，這時候可以使用BloomFiler以節省空間。

BloomFilter最常見的作用是：判斷某個元素是否在一個集合裡面。它最重要的兩個方法是：add() 和contains()。最大的特點是不會存在false negative，即：如果contains()返回false，則該元素一定不在集合中，但會存在一定的true negative，即：如果contains()返回true，則該元素一定可能在集合中。

因而可將小表中的key儲存到BloomFilter中，在map階段過濾大表，可能有一些不在小表中的記錄沒有過濾掉（但是在小表中的記錄一定不會過濾掉），這沒關係，只不過增加了少量的網路IO而已。

3. 二次排序

在Hadoop中，預設情況下是按照key進行排序，如果要按照value進行排序怎麼辦？即：對於同一個key，reduce函式接收到的value list是按照value排序的。這種應用需求在join操作中很常見，比如，希望相同的key中，小表對應的value排在前面。

有兩種方法進行二次排序，分別為：buffer and in memory sort和 value-to-key conversion。

對於buffer and in memory sort，主要思想是：在reduce()函式中，將某個key對應的所有value儲存下來，然後進行排序。 這種方法最大的缺點是：可能會造成out of memory。

對於value-to-key conversion，主要思想是：將key和部分value拼接成一個組合key（實現WritableComparable介面或者呼叫setSortComparatorClass函式），這樣reduce獲取的結果便是先按key排序，後按value排序的結果，需要注意的是，使用者需要自己實現Paritioner，以便只按照key進行資料劃分。Hadoop顯式的支援二次排序，在Configuration類中有個setGroupingComparatorClass()方法，可用於設定排序group的key值，具體參考：

4. 後記

最近一直在找工作，由於簡歷上寫了熟悉Hadoop，所以幾乎每個面試官都會問一些Hadoop相關的東西，而 Hadoop上Join的實現就成了一道必問的問題，而極個別公司還會涉及到DistributedCache原理以及怎樣利用DistributedCache進行Join操作。為了更好地應對這些面試官，特整理此文章。

O(∩_∩)O哈哈~

5. 參考資料

（1） 書籍《Data-Intensive Text Processing with MapReduce》 page 60~67 Jimmy Lin and Chris Dyer，University of Maryland, College Park

（2） 書籍《Hadoop In Action》page 107~131