在mapreduce任务中使用distributedCache

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

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