DistributedCache的使用

       MapReduce Job中使用全局共享数据是不可避免的，但是根据该框架的特点，在代码级别实现全局变量是不现实的，主要是因为继承Mapper基类的Map阶段类和继承Reducer基类的Reduce阶段类的运行时独立的，并不像代码看起来的那样会共享一个Java虚拟机的资源。常用的在MapReduce编程中设置全局共享数据的方法主要有：

1.读写HDFS文件

数据文件放在HDFS上，Map　task和Reduce task都可以进行读写HDFS预定好的同一个文件来实现全局共享数据。它是通过Java API来操作，但是该方法的缺点是：容易产生写冲突，覆盖原有数据。共享一些很小的全局数据需要使用I/O，这将占用系统资源。

2.配置Job属性 

在执行MapReduce执行过程中，task可以读取Job的属性。可以在任务之初利用Configuration类的set方法将一些简单的全局数据封装到作业的配置属性中，然后在map task 或者reduce task中需要时利用Configuration类中get方法获取配置到属性的全局数据。这种方法的优点是简单，资源消耗小，但是对量比较大的共享数据显得比较无力。

3.使用DistributedCache

DistributedCache是MapReduce为应用提供缓存文件的只读工具，它可以缓存文本文件、压缩文件和jar文件等。在使用时，用户可以在作业配置时使用本地或HDFS文件的ＵＲＬ来将其设置成共享缓存文件。在作业启动之前，MapReduce框架会将可能需要的缓存文件复制到执行任务节点的本地。该方法的优点是每个Job共享文件只会在启动之后复制一次，并且它适用于大量的共享数据；而缺点是只读的。

下面是使用DistributedCache的步骤：

１）将要缓存的文件复制到HDFS上

bin/hadoop fs -copyFromLocal lookup /myapp/lookup

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("/myapp/lookup #lookup"),conf);  #lookup 你可以在程序中直接使用lookup来访问 lookup这个文件。 lookup是一个符号链接文件。

3 ) 在Map函数中使用DistributedCache

Configuration conf = context.getConfiguration();

Path[]  localArchives = DistributedCache.getLocalCacheArchives(conf);

Path[] localFiles = DistributedCache.getLocalCacheFiles(conf);

贴上一个源码：

package cn.swpu;import java.io.IOException;import java.net.URI;import java.util.Scanner;import org.apache.hadoop.conf.Configuration;import org.apache.hadoop.filecache.DistributedCache;import org.apache.hadoop.fs.FSDataInputStream;import org.apache.hadoop.fs.FileSystem;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.lib.input.FileInputFormat;import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;import org.slf4j.*;public class Driver {private static Logger logger = LoggerFactory.getLogger(Driver.class);public static class TokenMapper extends Mapper<Object,Text,Text,IntWritable> {Path[] path = null;/**   * Called once at the beginning of the task.*/  protected void setup(Context context ) throws IOException, InterruptedException   {    logger.info("map setup");    Configuration conf = context.getConfiguration();    path = DistributedCache.getLocalCacheFiles(conf);    System.out.println("the path[0] is:"+path[0].toString());    FileSystem fsopen = FileSystem.getLocal(conf);    FSDataInputStream in = fsopen.open(path[0]);    Scanner scan = new Scanner(in);    while(scan.hasNext())    {    System.out.println(Thread.currentThread().getName()+"the content is:"+scan.next());        }    scan.close();  }    public  void map(Object key,Text value,Context context) throws IOException,InterruptedException    {    logger.info("map output");    context.write(new Text(""), new IntWritable(0));    }    /**   * Called once at the end of the task.*/        protected void cleanup(Context context) throws IOException, InterruptedException     {             logger.info("cleanup begin");        }        /**     * Expert users can override this method for more complete control over the     * execution of the Mapper.     * @param context     * @throws IOException     */    public void run(Context context) throws IOException, InterruptedException {        setup(context);        while (context.nextKeyValue()) {          map(context.getCurrentKey(), context.getCurrentValue(), context);        }        cleanup(context);      }}public static class  IntSumReduce extends Reducer<Text,IntWritable,Text,IntWritable>{protected void setup(Context context) throws IOException, InterruptedException{logger.info("reduce setup");}public void reduce(Text key,Iterable<IntWritable> values,Context context) throws IOException,InterruptedException{            System.out.println("reduce function");    }protected void cleanup(Context context) throws IOException,InterruptedException{logger.info("cleanup reduce");}public void run(Context context) throws IOException,InterruptedException{setup(context);while(context.nextKey()){reduce(context.getCurrentKey(),context.getValues(),context);}cleanup(context);}}   public static void main(String[] args) throws Exception   {   Configuration conf = new Configuration();        String inputPath = "hdfs://master:9000/user/hadoop/input/";     String outputPath = "hdfs://master:9000/user/hadoop/DistributedCache";           Job job  = new Job(conf,"a");            DistributedCache.addCacheFile(new URI("hdfs://master:9000/user/hadoop/input/a.txt"),conf);            job.setJarByClass(Driver.class);      System.out.println("run patten:"+conf.get("mapred.job.tracker"));      FileSystem fs = FileSystem.get(job.getConfiguration());      Path pout = new Path(outputPath);      if(fs.exists(pout))      {      fs.delete(pout,true);      System.out.println("the path exists,has been deleted!");            }      job.setMapOutputKeyClass(Text.class);      job.setMapOutputValueClass(IntWritable.class);      job.setMapperClass(TokenMapper.class);      job.setReducerClass(IntSumReduce.class);      FileInputFormat.setInputPaths(job, new Path(inputPath));      FileOutputFormat.setOutputPath(job,new Path(outputPath));      System.exit(job.waitForCompletion(true)?0:1);   }}

缓存的文件在DataNode的hadoop.tmp.dir这个属性的值下面，调试的信息也在该目录对应的文件夹下面。