java spark leftjoin_spark三种连接join

本文主要介绍spark join相关操作。

讲述spark连接相关的三个方法join，left-outer-join，right-outer-join，在这之前，我们用hiveSQL先跑出了结果以方便进行对比。

我们以实例来进行说明。我的实现步骤记录如下。

1、数据准备

2、HSQL描述

3、Spark描述

1、数据准备

我们准备两张Hive表，分别是orders(订单表)和drivers(司机表)，通过driver_id字段进行关联。数据如下：

orders

orders表有两个字段，订单id:order_id和司机id:driver_id。司机id将作为连接键。

通过select可以看到三条数据。

hive (gulfstream_test)> select * from orders;

OK

orders.order_id orders.driver_id

5000

5001

5002

Time taken: 0.387 seconds, Fetched: 3 row(s)

drivers

drivers表由两个字段，司机id：driver_id和车辆id：car_id。司机id将作为连接键。

通过select可以看到两条数据。

hive (gulfstream_test)> select * from drivers;

OK

drivers.driver_id drivers.car_id

100

103

Time taken: 0.036 seconds, Fetched: 2 row(s)

2、HSQL描述

JOIN

自然连接，输出连接键匹配的记录。

可以看到，通过driver_id匹配的数据只有一条。

hive (gulfstream_test)> select * from orders t1 join drivers t2 on (t1.driver_id = t2.driver_id) ;

OK

t1.order_id t1.driver_id t2.driver_id t2.car_id

5000 5000 100

Time taken: 36.079 seconds, Fetched: 1 row(s)

LEFT OUTER JOIN

左外链接，输出连接键匹配的记录，左侧的表无论匹配与否都输出。

可以看到，通过driver_id匹配的数据只有一条，不过所有orders表中的记录都被输出了，drivers中未能匹配的字段被置为空。

hive (gulfstream_test)> select * from orders t1 left outer join drivers t2 on (t1.driver_id = t2.driver_id) ;

OK

t1.order_id t1.driver_id t2.driver_id t2.car_id

5000 5000 100

5001 NULL NULL

5002 NULL NULL

Time taken: 36.063 seconds, Fetched: 3 row(s)

RIGHT OUTER JOIN

右外连接，输出连接键匹配的记录，右侧的表无论匹配与否都输出。

可以看到，通过driver_id匹配的数据只有一条，不过所有drivers表中的记录都被输出了，orders中未能匹配的字段被置为空。

hive (gulfstream_test)> select * from orders t1 right outer join drivers t2 on (t1.driver_id = t2.driver_id) ;

OK

t1.order_id t1.driver_id t2.driver_id t2.car_id

5000 5000 100

NULL NULL 5003 103

Time taken: 30.089 seconds, Fetched: 2 row(s)

3、Spark描述

spark实现join的方式也是通过RDD的算子，spark同样提供了三个算子join，leftOuterJoin，rightOuterJoin。

在下面给出的例子中，我们通过spark-hive读取了Hive中orders表和drivers表中的数据，这时候数据的表现形式是DataFrame，如果要使用Join操作：

1)首先需要先将DataFrame转化成了JavaRDD。

2)不过，JavaRDD其实是没有join算子的，下面还需要通过mapToPair算子将JavaRDD转换成JavaPairRDD，这样就可以使用Join了。

下面例子中给出了三种join操作的实现方式，在join之后，通过collect()函数把数据拉到Driver端本地，并通过标准输出打印。

需要指出的是

1)join算子(join，leftOuterJoin，rightOuterJoin)只能通过PairRDD使用；

2)join算子操作的Tuple2类型中，Object1是连接键，我只试过Integer和String，Object2比较灵活，甚至可以是整个Row。

这里我们使用driver_id作为连接键。 所以在输出Tuple2的时候，我们将driver_id放在了前面。

Join.java

/*

* spark-submit --queue=root.zhiliangbu_prod_datamonitor spark-join-1.0-SNAPSHOT-jar-with-dependencies.jar

* */

public class Join implements Serializable {

private transient JavaSparkContext javaSparkContext;

private transient HiveContext hiveContext;

/*

* 初始化Load

* 创建sparkContext, sqlContext, hiveContext

* */

public Join() {

initSparckContext();

initHiveContext();

}

/*

* 创建sparkContext

* */

private void initSparckContext() {

String warehouseLocation = System.getProperty("user.dir");

SparkConf sparkConf = new SparkConf()

.setAppName("spark-join")

.set("spark.sql.warehouse.dir", warehouseLocation)

.setMaster("yarn-client");

javaSparkContext = new JavaSparkContext(sparkConf);

}

/*

* 创建hiveContext

* 用于读取Hive中的数据

* */

private void initHiveContext() {

hiveContext = new HiveContext(javaSparkContext);

}

public void join() {

/*

* 生成rdd1

* */

String query1 = "select * from gulfstream_test.orders";

DataFrame rows1 = hiveContext.sql(query1).select("order_id", "driver_id");

JavaPairRDD rdd1 = rows1.toJavaRDD().mapToPair(new PairFunction() {

@Override

public Tuple2 call(Row row) throws Exception {

String orderId = (String)row.get(0);

String driverId = (String)row.get(1);

return new Tuple2(driverId, orderId);

}

});

/*

* 生成rdd2

* */

String query2 = "select * from gulfstream_test.drivers";

DataFrame rows2 = hiveContext.sql(query2).select("driver_id", "car_id");

JavaPairRDD rdd2 = rows2.toJavaRDD().mapToPair(new PairFunction() {

@Override

public Tuple2 call(Row row) throws Exception {

String driverId = (String)row.get(0);

String carId = (String)row.get(1);

return new Tuple2(driverId, carId);

}

});

/*

* join

* */

System.out.println(" ****************** join *******************");

JavaPairRDD> joinRdd = rdd1.join(rdd2);

Iterator>> it1 = joinRdd.collect().iterator();

while (it1.hasNext()) {

Tuple2> item = it1.next();

System.out.println("driver_id:" + item._1 + ", order_id:" + item._2._1 + ", car_id:" + item._2._2 );

}

/*

* leftOuterJoin

* */

System.out.println(" ****************** leftOuterJoin *******************");

JavaPairRDD>> leftOuterJoinRdd = rdd1.leftOuterJoin(rdd2);

Iterator>>> it2 = leftOuterJoinRdd.collect().iterator();

while (it2.hasNext()) {

Tuple2>> item = it2.next();

System.out.println("driver_id:" + item._1 + ", order_id:" + item._2._1 + ", car_id:" + item._2._2 );

}

/*

* rightOuterJoin

* */

System.out.println(" ****************** rightOuterJoin *******************");

JavaPairRDD, String>> rightOuterJoinRdd = rdd1.rightOuterJoin(rdd2);

Iterator, String>>> it3 = rightOuterJoinRdd.collect().iterator();

while (it3.hasNext()) {

Tuple2, String>> item = it3.next();

System.out.println("driver_id:" + item._1 + ", order_id:" + item._2._1 + ", car_id:" + item._2._2 );

}

}

public static void main(String[] args) {

Join sj = new Join();

sj.join();

}

}

执行结果

其中Optional.absent()表示的就是null，可以看到和HSQL是一致的。

Application ID is application_1508228032068_2746260, trackingURL: http://10.93.21.21:4040

****************** join *******************

driver_id:5000, order_id:1000, car_id:100

****************** leftOuterJoin *******************

driver_id:5001, order_id:1001, car_id:Optional.absent()

driver_id:5002, order_id:1002, car_id:Optional.absent()

driver_id:5000, order_id:1000, car_id:Optional.of(100)

****************** rightOuterJoin *******************

driver_id:5003, order_id:Optional.absent(), car_id:103

driver_id:5000, order_id:Optional.of(1000), car_id:100

由于数据量不大，我没有从执行效率上进行考量。

根据经验，一般在数据量较大的情况下，HSQL的执行效率会高一些，如果数据量较小，Spark会快。