Hadoop实战之MapRduce如何在Job中全局共享数据

《Hadoop实战》读书笔记=========MapReduce Job中全局共享数据

1、读写HDFS文件

通过利用Hadoop的Java Apl来实现读写HDFS文件，需要注意的是针对多个Map或Reduce的写操作会产生冲突，覆盖原有数据

优点：能够实现读写，也比较直观

缺点：要共享一些很小的全局数据也需要I/O，将占用系统资源，增加作业完成的资源消耗

2、配置Job属性

在MapReduce执行过程中task可以读取job属性。基于此，可以在任务启动之初利用Configuration类中的set(String name,String value)将一些简单的全局数据封装到作业的配置属性中，然后在task中利用Context.getConfiguration( ).get(String name)获取配置到属性中的全局数据。

有点：简单，资源消耗少

缺点：对大量的共享数据比较无力

3、使用DistributedCache

DistributedCache是MapReduce中为应用提供缓存文件的只读工具，可以缓存文本文件、压缩文件和jar文件等。

优点：每个job共享文件只会在启动之后复制一次，并且适用于大量的共享数据

缺点：它是只读的

如何使用：

//1)将要缓存的文件复制到HDFS上
$ bin/hadoop fs -copyFromLocal localpath hdfspath
//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(hdfsPath),conf);
//3)在Map中使用DistributedCache
public static class LocalMap extends Mapper<Object, Text, Text, Text> {
		private Path[] localArchives;
		private Path[] localFiles;
		@Override
		protected void setup(Mapper<Object, Text, Text, Text>.Context context)
				throws IOException, InterruptedException {
                        //获取缓存文件
                        Configuration conf = context.getConfiguration();
			localArchives = DistributedCache.getLocalCacheArchives(conf);
			localFiles = DistributedCache.getLocalCacheFiles(conf);
		}
		@Override
		protected void map(Object key, Text value, Mapper<Object, Text, Text, Text>.Context context)
				throws IOException, InterruptedException {
			//使用从缓存文件中读取的数据
                        //....
                        //....
                }
	}