Yarn（MapReduce 2.0）下分布式缓存（DistributedCache）的注意事项

一、问题

最近公司的集群从 Apache hadoop 0.20.203 升级到了 CDH 4，迈进了 Hadoop 2.0 的新时代，虽然新一代的 hadoop 努力作了架构、API 上的各类兼容， 但总有“照顾不周”的地方，下面说的这个有关分布式缓存的案例就是于此有关：一些 MR job 迁移到 Yarn 上后，发觉没数据了，并且没有报错。
查了下数据源和代码，发现是分布式缓存（DistributedCache）的用法有点小变化。之前的老代码大体以下：

（1）在 main 函数中添加分布式缓存文件：

...
String cacheFilePath = "/dsap/rawdata/cmc_unitparameter/20140308/part-m-00000";
DistributedCache.addCacheFile(new Path(cacheFilePath).toUri(), job.getConfiguration());
...

（2）在 MR 初始化的时候读取缓存文件作数据字典：

...
// 从当前做业中获取要缓存的文件
Path[] paths = DistributedCache.getLocalCacheFiles(context.getConfiguration());
for (Path path : paths) {
    if (path.toString().contains("cmc_unitparameter")) {
        ...

（3）结果：

这两段代码在 MR1 时代毫无问题，可是到了 MR2 时代 if 是永远为 false 的。
特地对比了下 MR1 和 MR2 时代的 path 格式，能够看到在 MRv2 下，Path 中不包含原始路径信息了：

MR1 Path:   hdfs://host:fs_port/dsap/rawdata/cmc_unitparameter/20140308/part-m-00000
MR1 Path:   hdfs://host:fs_port/dsap/rawdata/cmc_unitparameter/20140308/part-m-00000


MR2 Path:   /data4/yarn/local/usercache/root/appcache/application_1394073762364_1884/container_1394073762364_1884_01_000006/part-m-00000
MR2 Path:   /data17/yarn/local/usercache/root/appcache/application_1394073762364_1884/container_1394073762364_1884_01_000002/part-m-00000
MR2 Path:   /data23/yarn/local/usercache/root/appcache/application_1394073762364_1884/container_1394073762364_1884_01_000005/part-m-00000

看了上面两种差别我想你能明白为啥分布式缓存在 MR2 下面“失效了”。。。

二、解决方案

解决这个问题不难：

其实在 MR1 时代咱们上面的代码是不够规范的，每次都遍历了整个分布式缓存，咱们应该用到一个小技巧：createSymlink

（1）main 函数中为每一个缓存文件添加符号连接：相似于 HTTP URL 的 # 锚点同样

...
String cacheFilePath = "/dsap/rawdata/cmc_unitparameter/20140308/part-m-00000";
Path inPath = new Path(cacheFilePath);
// # 号以后的名称是对上面文件的连接，不一样文件的连接名不能相同，虽然由你本身随便取
String inPathLink=inPath.toUri().toString()+"#"+"DIYFileName";
DistributedCache.addCacheFile(new URI(inPathLink), job.getConfiguration());
...

加了软连接后，path 信息的最后部分就是你刚才的 DIYFileName：

/data4/yarn/local/usercache/root/appcache/application_1394073762364_1966/container_1394073762364_1966_01_000005/cmcs_paracontrolvalues
/data4/yarn/local/usercache/root/appcache/application_1394073762364_1966/container_1394073762364_1966_01_000005/cmc_unitparameter

（2）在须要用缓存文件的地方直接根据你刚才 # 后面自定义的文件名读取便可

BufferedReader br = null;
br = new BufferedReader(new InputStreamReader(new FileInputStream("DIYFileName")));

（3）其它地方的用法和代码与 MR1 无任何变化。

三、Refer：

一、Hadoop 多表 join：map side join 范例

http://my.oschina.net/leejun2005/blog/111963

二、Hadoop DistributedCache详解

http://dongxicheng.org/mapreduce-nextgen/hadoop-distributedcache-details/

三、迭代式MapReduce解决方案（二） DistributedCache

http://hongweiyi.com/2012/02/iterative-mapred-distcache/

四、DistributedCache小记

http://www.cnblogs.com/xuxm2007/p/3344930.html