Hadoop Mapreducer两文件数据求交拼接

两份数据，若干行，若干列。均有相同一列，作为key。连接，完整显示两份数据。

data1.txt

zhangsan man    25      teacher
lisi    man     28      police
wangwu  man     26      student
guoxiao man     26      salesman
wangmeng        women   26      student
huangshi        women   28      programmer
zhouchu man     25      manager
yangchao        man     27      doctor

data2.txt

zhanghuan       liaoning        huludao
huangshi        liaoning        unknown
xutao   henan   luoyang
guoxiao shanxi  datong
zhangchao       yunnan  qujing
zhangsan        known   known
wangwu  henan   luoyang
zhouchu hubei   enshi
luopeng sichuan dazho

第一列为姓名，在每份数据里都是唯一的，为唯一键。

结果如下所示

huangshi        women   28      programmer      liaoning        unknown
guoxiao man     26      salesman        shanxi  datong
wangwu  man     26      student henan   luoyang
zhouchu man     25      manager hubei   enshi

 

Mapper

#!/bin/bash
function get_data_source()
{
        #local mapreduce_map_input_file=data2asdf.txt

        echo "${mapreduce_map_input_file}" | awk '{
                if ($1 ~ "data1")
                {
                        print "data1"
                }
                else if ($1 ~ "data2")
                {
                        print "data2"
                }
        }'
        return 0
}


function filter()
{
        local data_source=`get_data_source`

        if [ "${data_source}" == "data1" ]
        then
                awk 'BEGIN{
                        OFS = "\t"
                }{
                        print $0 ,1
                }END{
                }'
        elif [ "${data_source}" == "data2" ]
        then
                awk 'BEGIN{
                        OFS = "\t"
                }{
                        print $0, 2
                }END{
                }'
        fi
}
filter

 

Reduce

#!/bin/bash
awk 'BEGIN{
        OFS = "\t"
}{
        if($NF == 1)
        {
                print substr($0,1,length($0)-1) > "1.txt"
        }
        if($NF == 2)
        {
                print substr($0,1,length($0)-1) > "2.txt"
        }
}END{
}'


awk 'BEGIN{
        FS = "\t"
        OFS = "\t"
}{
        if(ARGIND == 1)
        {
                dict[$1] = $0
        }
        else if(ARGIND == 2)
        {
                if($1 in dict)
                {
                        print dict[$1], $2, $3
                }
        }
}END{
}' 1.txt 2.txt

 

总结：

streaming框架通过设置环境变量的方式给mapper、reducer程序传递配置信息。我们利用mapreducer_map_input_file这一环境变量，可以获得输入文件路径，这样可以区分Map读取的数据来自哪一个文件。根据数据来源文件的不同，分别为Map的输出数据加后缀标识符。这里有两个文件，加上1,2用于区分。

Reducer的输入数据，每一行最后都有后缀1,2。在每一个Reducer任务里面，根据后缀不同在当前工作目录下面，生成两个临时文件。这样对这两个文件，进行单机版的相同处理即可得到我们需要的交集。