MR框架的话,我们可以利用DistributedCache(Hadoop内置的分布式缓存机制)来实现。
DistributedCache 是一个提供给Map/Reduce框架的工具,用来缓存指定的文件。当我们使用了这个机制后,MR框架底层会将指定的文件拷贝到slave节点上的缓存中。
使用DistributedCache机制,尤其在做join操作时,可以大大的提高作业的运行效率,并且可以额避免产生数据倾斜。实现思路是:
将Join操作中的小表进行缓存,这样每个Map Task在执行时,都是可以在Map Task运行所在的节点的缓冲区拿到小表数据,从而在Map阶段就可以完成Join操作。这样一来,就不需要引入Reducer组件,也就不会产生数据倾斜的问题。