MapReduce Job中全局共享数据的处理办法
在编写MapReduce程序时，经常会遇到这样的问题，全局变量如何保存？如何让每个处理都能获取保存的这些全局变量？使用全局变量是不可避免的，但是 在MapRdeuce中直接使用代码级别的全局变量是不现实的。主要是因为继承Mapper基类的Map阶段类的运行和继承Reducer基类的 Reduce阶段类的运行都是独立的，并不共享一个Java虚拟机的资源，因此，下面介绍三种在MapReduce编程中相对有效的设置全局共享数据的方 法。
1，读写HDFS文件
在MapReduce框架中，Map Task和Reduce Task都运行在Hadoop集群的节点上，所以Map和Reduce Task、甚至不同的Job都可以通过读写HDFS中预定好的同一文件来实现全局共享数据。具体实现是利用Hadoop 的Java API来完成，需要注意的是，多个Map或Reduce的写操作会产生冲突，覆盖原有数据。
这种方法的优点是能够实现读写，也比较直观，但是缺点是需要共享一些很小的全局数据也需要使用IO，这将占用系统资源，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的属性。基于这个特性，我们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task再利用Configuration中的get（String name）获取配置到属性中的全局数据。
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。（个人推荐这种）
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 在作业配置中使用本地或HDFS文件的URL来将其设置成共享缓存文件。在作业启动之后和task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。
这种方法的优点是每个Job共享文件只会子啊启动之后复制一次，并且它适用与大量的共享数据，而缺点是它是只读的。
下面是一个简单的使用DistributedCache的例子。
1）将要缓存的文件复制到HDFS上
|
1
|
bin/hadoop fs -copyFromLocal lookup /myapp/lookup |
2）启动作业的属性配置，并设置待缓存文件
|
1
2
|
Configuration conf =new Configuration();DistributedCache.addCacheFile(newURL("/myapp/lookup #lookup"),conf); |
3）在Map函数中使用DistributedCache
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
|
publicstatic class Map extendsMapper<Object, Text, Text,Text>{privatePath[] localArchives;privatePah[] localFiles;publicvoid setup(Context context) throws IOException,InterruptedException{//获取缓存文件Configuration conf =new Configuration();localArchives = DistributedCache.getLocalCacheArchives(conf);localFiles = DistributedCache.getLocalCacheFiles(conf);}publicvoid map(K key, V value, Context context)throwsIOException{//使用缓存文件中获取的数据...Context.collect(k,v);}} |
