使用 Hive/Hadoop 加入两个排序的文件答案

【问题标题】：Join two sorted files using Hive/Hadoop使用 Hive/Hadoop 加入两个排序的文件
【发布时间】：2014-07-25 21:11:14
【问题描述】：

我有两个排序的文件，我需要使用 hive 或 hadoop 加入并通过键聚合。文件 A 按 (A.X, A.Y) 排序，文件 B 按 (B.X, B.Y) 排序。我可以使用 hive 进行连接，创建一个中间结果，然后执行另一个查询来对值求和。进行此操作的最佳方法是什么？做 mapreduce 工作还是使用 hive？文件 B 比文件 A 小得多。我可以使用文件 A 和文件 B 已排序的事实吗？

FILE A       FILE B    INTERMEDIATE_FILE   FINAL_FILE
X Y  Z       X Y       X Y  Z              X Y   
1 V1 10      1 V1      1 V1 10             1 30 (20 + 10)
1 V1 20      2 V2      1 V1 20             2 50 (50)
1 V2 30      3 V1      2 V2 50             3 130 (60 + 70)
2 V1 40                3 V1 60
2 V2 50                3 V1 70
3 V1 60                
3 V1 70
4 V1 80

谢谢

【问题讨论】：

标签： performance sorting hadoop hive etl

【解决方案1】：

您可以使用 pig 中的“合并”选项加入数据。

例子：

data_a = load '$input1' as (X, Y, Z);
data_b = load '$input2' as (P, Q);
join_data = join data_a by (X,Y), data_b by (P,Q) using 'merge';

对 join_data 关系执行聚合逻辑。

这是一个排序合并连接操作。通过打开两个文件并遍历它们，可以在映射阶段完成连接。 Pig 将此称为合并连接，因为它是排序合并连接，但排序已经完成。

来源：艾伦·盖茨的 Programming Pig。

【讨论】：

我认为它不会扩大规模。连接将只使用一个映射器执行，通过网络获取记录。

【解决方案2】：

我创建了一个 Identy Mapper Reducer 作业，然后使用 CompositeInputFormat 执行另一个作业。在映射阶段，我使用一种名为“In-mapper Combiner”的模式进行了计算。所以，这个第二个工作没有减速器。我认为这是一种可以线性扩展的解决方案。因此，如果我将集群规模扩大一倍，我的工作将在一半的时间内完成。

【讨论】：