在mapreduce任务中使用distributedCache【转】

原文链接：http://blog.sina.com.cn/s/blog_6e5e78bf0101p4at.html

 

背景：在使用mapreduce时，各个map之间需要共享一些信息。如果信息不大，可以保存在conf中。但是需求是在各个map之间共享文件或者tar包

 

使用distributedCache可以满足这个需求：

distributedCache可以把HDFS上的文件（数据文件、压缩文件等等）分发到各个执行task的节点。执行map或者reduce task的节点就可以在本地，直接用java的IO接口读取这些文件。

有两个需要注意的地方：被分发的文件需要事先存储在hdfs上；这些文件是只读的。

 

使用distributedCache的步骤：

1、在conf里正确配置被分发的文件的路径（hdfs上的路径）

2、在自定义的mapper或reducer中获取文件下载到本地后的路径（linux文件系统路径）；一般是重写configure或者重写setup（新方式）

3、在自定义的mapper或reducer类中读取这些文件的内容

distributedCache也提供创建符号链接的功能，第2步就不需要获取文件在本地的路径，直接使用约定的符号链接即可。

 

分发的文件大致分两种类型：文件；压缩包

 

1、配置被分发的hdfs文件所在路径

可以使用distributedCache类提供的静态接口设置路径 ， 也可以使用conf.set配置

示例：

 或者

conf.set("mapred.cache.files", "/myapp/file");

conf.set("mapred.cache. archives", "/mayapp/file.zip");

 

看distributedCache.java代码可知 静态接口就是封装了conf.set的动作。

配置的位置在run函数里即可，比如：

 

 

2、在自己的mapper类中，使用distributedCache的接口获取文件下载到本地后的路径

这里查了些网上的使用示例，大部分例子在mapper类中重写configure接口（或者setup），将本地文件的路径保存在mapper类的成员变量中，供下面的map成员函数使用。

在myMapper类的configure中获取文件的路径：

 

getLocalCacheFiles返回的是数组（元素类型是Path），数组内容是这个task（map或reduce）所属的job设定的所有需要被分发的文件，这些文件被下载到本地节点后的路径。

所以用了localFiles[0]来取得我的文件的路径，因为只设置了一个文件。如果设置了多个文件，可以遍历Path数组，用String.contains("KeyWord")来判断是否是你所需要的文件。

这里我在configure接口中直接把文件内容读取到myMapper类的一个数组成员里，这样在map接口中就不需要再读，但是这样的前提是文件内容比较少，或者针对map程序有更好的数据结构，比如trie树之类的。否则容易OOM。比较原始的办法就是在map接口中读一行做一次判断或操作。

 

在myMapper类的configure中获取压缩包的路径

 

 
因为使用的是mapreduce二代框架，archive文件有多个（框架默认会加几个tar包和一些jar包），所以这里遍历了一下，取出了我需要的压缩包的路径。这个路径是解压好的。需要listFiles一下，获得解压包下面的文件路径。
3、读取文件内容

 

 这里读的是压缩包解压后的所有文件内容

读一行处理一次

完毕。

distributedCache在mapreduce自身用得也不少

比如task运行之前 加载第三方的jar包到classpath 可以使用addFileToClassPath将配置加到conf中 然后使用与读取压缩包类似方式将jar包加入到classpath

再如streaming和pipe

是将脚本分发到task节点本地，然后在java中执行这个本地的脚本来实现的

 

wordcount作为示例如下：

package com.susu.mr;

import java.io.BufferedReader;
import java.io.FileReader;
import java.io.IOException;
import java.net.URI;
import java.util.HashSet;
import java.util.StringTokenizer;
import org.apache.hadoop.conf.Configuration;
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.filecache.DistributedCache;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;

/*
 *	DistributedCache（分布式缓存）的应用
 *	1、需求场景：
 *   过滤无意义的单词后再进行文本词频统计。处理流程是：
 *	1）预定义要过滤的无意义单词保存成文件，保存到HDFS中；
 *	2）程序中将该文件定位为作业的缓存文件，使用DistributedCache类；
 *	3）Map中读入缓存文件，对文件中的单词不做词频统计。
 *	该场景主要解决文件在Hadoop各task之间共享的问题，用conf传递参数不能传输大文件，于是通过DistributedCache派发文件到各节点。
 *
 * 统计的输入文件：hadoop fs -put /var/log/boot.log /tmp/fjs/
 * 无意义单词缓存文件：/tmp/fjs/kw.txt
 * 结果输出文件：/tmp/fjs/fwcout
 * 执行命令：hadoop jar /mnt/DistributedCacheDemo.jar /tmp/fjs/boot.log /tmp/fjs/fwcout
 */

public class DistributedCacheDemo {

	/*********************************************************************************************/
	/**
	 * Mapper
	 */
	public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable>{
		private final static IntWritable one = new IntWritable(1);
		private Text word = new Text();
		private HashSet<String> keyWord;
	    private Path[] localFiles;
	    //setup函数在Map task启动之后立即执行
	    public void setup(Context context) throws IOException,InterruptedException{
	    	keyWord=new  HashSet<String>();
	    	Configuration conf=context.getConfiguration();
	    	localFiles=DistributedCache.getLocalCacheFiles(conf);
	    	//将缓存文件内容读入到当前Map Task的全局变量中
	    	for(int i=0;i<localFiles.length;i++){
	    		String aKeyWord;
	    		BufferedReader br=new BufferedReader(new FileReader(localFiles[i].toString()));
	    		while((aKeyWord=br.readLine())!=null){
	    			keyWord.add(aKeyWord);
	    		}
	    		br.close();
	    	}
	    }
	    //根据缓存文件中缓存的无意义单词对输入流进行过滤
		public void map(Object key, Text value, Context context)throws IOException, InterruptedException {
			StringTokenizer itr = new StringTokenizer(value.toString());
			while (itr.hasMoreTokens()) {
				String aword=itr.nextToken();//获取字符
				if(!keyWord.contains(aword)){//不包含无意义单词
					word.set(aword);
					context.write(word, one);
				}
			}
		}
	}

	/*********************************************************************************************/
	/**
	 * Reducer
	 */
	public static class IntSumReducer extends Reducer<Text,IntWritable,Text,IntWritable> {
		private IntWritable result = new IntWritable();
		public void reduce(Text key, Iterable<IntWritable> values,Context context) throws IOException, InterruptedException {
			int sum = 0;
			for (IntWritable val : values) {
				sum += val.get();
			}
			result.set(sum);
			context.write(key, result);
		}
	}


	/*********************************************************************************************/
	/**
	 * main
	 */
	public static void main(String[] args) throws Exception {
	
		Configuration conf = new Configuration();
		String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
		if (otherArgs.length != 2) {
			System.err.println("Usage: DistributedCacheDemo <in> <out>");
			System.exit(2);
		}
		//将HDFS上的文件设置成当前作业的缓存文件
		DistributedCache.addCacheFile(new URI("/tmp/fjs/kw.txt"), conf);
		
		Job job = new Job(conf, "DistributedCacheDemo");
		job.setJarByClass(DistributedCacheDemo.class);
		job.setMapperClass(TokenizerMapper.class);
		job.setCombinerClass(IntSumReducer.class);
		job.setReducerClass(IntSumReducer.class);
		
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(IntWritable.class);
		
		FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
		FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
		
		System.exit(job.waitForCompletion(true) ? 0 : 1);
	}
}