|
MapReduce Job中使用全局共享数据是不可避免的，但是根据该框架的特点，在代码级别实现全局变量是不现实的，主要是因为继承Mapper基类的Map阶段类和继承Reducer基类的Reduce阶段类的运行时独立的，并不像代码看起来的那样会共享一个Java虚拟机的资源。常用的在MapReduce编程中设置全局共享数据的方法主要有：
1.读写HDFS文件
数据文件放在HDFS上，Map task和Reduce task都可以进行读写HDFS预定好的同一个文件来实现全局共享数据。它是通过Java API来操作，但是该方法的缺点是：容易产生写冲突，覆盖原有数据。共享一些很小的全局数据需要使用I/O，这将占用系统资源。
2.配置Job属性
在执行MapReduce执行过程中，task可以读取Job的属性。可以在任务之初利用Configuration类的set方法将一些简单的全局数据封装到作业的配置属性中，然后在map task 或者reduce task中需要时利用Configuration类中get方法获取配置到属性的全局数据。这种方法的优点是简单，资源消耗小，但是对量比较大的共享数据显得比较无力。
3.使用DistributedCache
DistributedCache是MapReduce为应用提供缓存文件的只读工具，它可以缓存文本文件、压缩文件和jar文件等。在使用时，用户可以在作业配置时使用本地或HDFS文件的ＵＲＬ来将其设置成共享缓存文件。在作业启动之前，MapReduce框架会将可能需要的缓存文件复制到执行任务节点的本地。该方法的优点是每个Job共享文件只会在启动之后复制一次，并且它适用于大量的共享数据；而缺点是只读的。
下面是使用DistributedCache的步骤：
１）将要缓存的文件复制到HDFS上
bin/hadoop fs -copyFromLocal lookup /myapp/lookup
2）启用作业的属性配置，并设置待缓存文件
Configuration conf = new Configuration();
DistributedCache.addCacheFile(new URI("/myapp/lookup #lookup"),conf); #lookup你可以在程序中直接使用lookup来访问lookup这个文件。lookup是一个符号链接文件。
3 ) 在Map函数中使用DistributedCache
Configuration conf = context.getConfiguration();
Path[] localArchives = DistributedCache.getLocalCacheArchives(conf);
Path[] localFiles = DistributedCache.getLocalCacheFiles(conf);
贴上一个源码：
package cn.swpu;
import java.io.IOException;
import java.net.URI;
import java.util.Scanner;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.filecache.DistributedCache;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileSystem;
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.slf4j.*;
public class Driver {
private static Logger logger = LoggerFactory.getLogger(Driver.class);
public static class TokenMapper extends Mapper<Object,Text,Text,IntWritable>
{
Path[] path = null;
/**
* Called once at the beginning of the task.
*/
protected void setup(Context context ) throws IOException, InterruptedException
{
logger.info("map setup");
Configuration conf = context.getConfiguration();
path = DistributedCache.getLocalCacheFiles(conf);
System.out.println("the path[0] is:"+path[0].toString());
FileSystem fsopen = FileSystem.getLocal(conf);
FSDataInputStream in = fsopen.open(path[0]);
Scanner scan = new Scanner(in);
while(scan.hasNext())
{
System.out.println(Thread.currentThread().getName()+"the content is:"+scan.next());
}
scan.close();
}
public void map(Object key,Text value,Context context) throws IOException,InterruptedException
{
logger.info("map output");
context.write(new Text(""), new IntWritable(0));
}
/**
* Called once at the end of the task.
*/
protected void cleanup(Context context) throws IOException, InterruptedException
{
logger.info("cleanup begin");
}
/**
* Expert users can override this method for more complete control over the
* execution of the Mapper.
* @param context
* @throws IOException
*/
public void run(Context context) throws IOException, InterruptedException {
setup(context);
while (context.nextKeyValue()) {
map(context.getCurrentKey(), context.getCurrentValue(), context);
}
cleanup(context);
}
}
public static class IntSumReduce extends Reducer<Text,IntWritable,Text,IntWritable>
{
protected void setup(Context context) throws IOException, InterruptedException
{
logger.info("reduce setup");
}
public void reduce(Text key,Iterable<IntWritable> values,Context context)
throws IOException,InterruptedException
{
System.out.println("reduce function");
}
protected void cleanup(Context context) throws IOException,InterruptedException
{
logger.info("cleanup reduce");
}
public void run(Context context) throws IOException,InterruptedException
{
setup(context);
while(context.nextKey())
{
reduce(context.getCurrentKey(),context.getValues(),context);
}
cleanup(context);
}
}
public static void main(String[] args) throws Exception
{
Configuration conf = new Configuration();
String inputPath = "hdfs://master:9000/user/hadoop/input/";
String outputPath = "hdfs://master:9000/user/hadoop/DistributedCache";
Job job = new Job(conf,"a");
DistributedCache.addCacheFile(new URI("hdfs://master:9000/user/hadoop/input/a.txt"),conf);
job.setJarByClass(Driver.class);
System.out.println("run patten:"+conf.get("mapred.job.tracker"));
FileSystem fs = FileSystem.get(job.getConfiguration());
Path pout = new Path(outputPath);
if(fs.exists(pout))
{
fs.delete(pout,true);
System.out.println("the path exists,has been deleted!");
}
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
job.setMapperClass(TokenMapper.class);
job.setReducerClass(IntSumReduce.class);
FileInputFormat.setInputPaths(job, new Path(inputPath));
FileOutputFormat.setOutputPath(job,new Path(outputPath));
System.exit(job.waitForCompletion(true)?0:1);
}
}
缓存的文件在DataNode的hadoop.tmp.dir这个属性的值下面，调试的信息也在该目录对应的文件夹下面。
| 
转播
