MapReduce中的分布式缓存使用
MapReduce中的分布式缓存使用
@(Hadoop)
简介
DistributedCache是Hadoop为MapReduce框架提供的一种分布式缓存机制，它会将需要缓存的文件分发到各个执行任务的子节点的机器中，各个节点可以自行读取本地文件系统上的数据进行处理。
符号链接
可以同在原本HDFS文件路径上+”#somename”来设置符号连接（相当于一个快捷方式）
这样在MapReduce程序中可以直接通通过：
File file = new File("somename");来获得这个文件
缓存在本地的目录设置
以下为默认值：
<property>
<name>mapred.local.dir</name>
<value>${hadoop.tmp.dir}/mapred/localdir/filecache</value>
</property>
<property>
<name>local.cache.size</name>
<value>10737418240</value>
</property>应用场景
1.分发第三方库(jar,so等)
2.共享一些可以装载进内存的文件
3.进行类似join连接时，小表的分发
使用方式
旧版本的DistributedCache已经被注解为过时，以下为Hadoop-2.2.0以上的新API接口，测试的Hadoop版本为2.7.2。
Job job = Job.getInstance(conf);
//将hdfs上的文件加入分布式缓存
job.addCacheFile(new URI("hdfs://url:port/filename#symlink"));由于新版API中已经默认创建符号连接，所以不需要再调用setSymlink(true)方法了，可以通过
System.out.println(context.getSymlink());来查看是否开启了创建符号连接。
之后在map/reduce函数中可以通过context来访问到缓存的文件，一般是重写setup方法来进行初始化：
@Override
protected void setup(Context context) throws IOException, InterruptedException {
super.setup(context);
if (context.getCacheFiles() != null && context.getCacheFiles().length > 0) {
String path = context.getLocalCacheFiles()[0].getName();
File itermOccurrenceMatrix = new File(path);
FileReader fileReader = new FileReader(itermOccurrenceMatrix);
BufferedReader bufferedReader = new BufferedReader(fileReader);
String s;
while ((s = bufferedReader.readLine()) != null) {
//TODO:读取每行内容进行相关的操作
}
bufferedReader.close();
fileReader.close();
}
}得到的path为本地文件系统上的路径。
这里的getLocalCacheFiles方法也被注解为过时了，只能使用context.getCacheFiles方法，和getLocalCacheFiles不同的是，getCacheFiles得到的路径是HDFS上的文件路径，如果使用这个方法，那么程序中读取的就不再试缓存在各个节点上的数据了，相当于共同访问HDFS上的同一个文件。
可以直接通过符号连接来跳过getLocalCacheFiles获得本地的文件。
单机安装的hadoop没有通过，提示找不到该文件，待在集群上进行测试。
注意事项
1.需要分发的文件必须是存储在HDFS上了
2.文件只读
3.不缓存太大的文件，执行task之前对进行文件的分发，影响task的启动速度
作者：@小黑
