9.3.1 map端链接- DistributedCache分布式缓存小数据集

1.1.1         map端链接- DistributedCache分布式缓存小数据集

当一个数据集很是小时，能够将小数据集发送到每一个节点，节点缓存到内存中，这个数据集称为边数据。用map函数将小数据集中的数据按键聚合到大的数据集中，输出链接数据集，进行链接操做。

（1）   分布式缓存指定缓存文件

执行命令行时，采用hadoop  jar hadoop-example.jar MapSideJoinMain  -files input/cityfile/tb_dim_city.dat input/data/all output

-files input/cityfile/tb_dim_city.dat指定须要缓存的文件，会被复制到各个节任务点。

（2）指定缓存文件的三种类型

 Hadoop 命令行选项中，有三个命令能够实现文件复制分发到任务的各个节点。用户启动一个做业，Hadoop 会把由 -files、-archives、和 -libjars 等选项所指定的文件复制到分布式文件系统之中，任务运行前，节点管理器从分布式文件系统中复制文件到本地。

 1) -files 选项指定待分发的文件，文件内包含以逗号隔开的 URL 列表。文件能够存放在本地文件系统、HDFS、或其它 Hadoop 可读文件系统之中。 若是还没有指定文件系统，则这些文件被默认是本地的。即便默认文件系统并不是本地文件系统，这也是成立的。

 2) -archives 选项向本身的任务中复制存档（压缩）文件，好比JAR 文件、ZIP 文件、tar 文件和 gzipped tar文件，这些文件会被解档到任务节点。

 3) -libjars 选项把 JAR 文件添加到 mapper 和 reducer 任务的类路径中。若是做业 JAR 文件并不是包含不少库 JAR 文件，这点会颇有用。

（3）缓存文件删除机制

节点管理器为缓存中的文件各维护一个计数器，任务运行时，文件计数器加1，任务完成后，计数器减1，计数器为0时才能删除文件，当节点缓存容量大于必定值（yarn.nodemanger.localizer.cache.target-size-mb设置，默认10GB），才会删除最近最少使用的文件。

（4）Job的分布式缓存API

除了能够用命令行参数指定缓存文件外，还以经过Job的API指定缓存文件；即经过job对象调用下面的函数设置缓存文件。

//如下两组方法将文件或存档添加到分布式缓存

public void addCacheFile(URI uri);

public void addCacheArchive(URI uri);

//如下两组方法将一次性向分布式缓存中添加一组文件或存档

public void setCacheFiles(URI[] files);

public void setCacheArchives(URI[] archives);

//如下两组方法将文件或存档添加到 MapReduce 任务的类路径

public void addFileToClassPath(Path file);

public void addArchiveToClassPath(Path archive);

public void createSymlink();

（6）DistributedCache缓存小数据集实现hadoop map端链接实例

下面的实例是将城市名称的数据集和用户信息的数据集进行链接，城市名称的数据集很小，而用户信息的数据集很大，因此能够采用缓存文件的方式，将城市信息数据集发送到任务，map任务经过setup方法从缓存中读取小数据集文件tb_dim_city.dat，在内存中造成map映射，map函数处理用户信息数据，根据用户信息中的城市id去map映射中找到城市名称，而后合并输出。

package Temperature;

import java.io.BufferedReader;

import java.io.FileReader;

import java.io.IOException;

import java.util.HashMap;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.conf.Configured;

import org.apache.hadoop.filecache.DistributedCache;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.Job;

import org.apache.hadoop.mapreduce.Mapper;

import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;

import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;

import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;

import org.apache.hadoop.util.Tool;

import org.apache.hadoop.util.ToolRunner;

import org.slf4j.Logger;

import org.slf4j.LoggerFactory;

/**

 *

 * 用途说明：   

 * Map side join中的left outer join   

 * 左链接，两个文件分别表明2个表,链接字段table1的id字段和table2的cityID字段   

 * table1(左表):tb_dim_city(id int,name string,orderid int,city_code,is_show)，   

 * 假设tb_dim_city文件记录数不多，tb_dim_city.dat文件内容,分隔符为"|"：   

 * id     name  orderid  city_code  is_show   

 * 0       其余        9999     9999         0   

 * 1       长春        1        901          1   

 * 2       吉林        2        902          1   

 * 3       四平        3        903          1   

 * 4       松原        4        904          1   

 * 5       通化        5        905          1   

 * 6       辽源        6        906          1   

 * 7       白城        7        907          1   

 * 8       白山        8        908          1   

 * 9       延吉        9        909          1   

 * -------------------------风骚的分割线-------------------------------   

 * table2(右表)：tb_user_profiles(userID int,userName string,network string,double flow,cityID int)   

 * tb_user_profiles.dat文件内容,分隔符为"|"：   

 * userID   network     flow    cityID   

 * 1           2G       123      1   

 * 2           3G       333      2   

 * 3           3G       555      1   

 * 4           2G       777      3   

 * 5           3G       666      4   

 * -------------------------风骚的分割线-------------------------------   

 *  结果：   

 *  1   长春  1   901 1   1   2G  123   

 *  1   长春  1   901 1   3   3G  555   

 *  2   吉林  2   902 1   2   3G  333   

 *  3   四平  3   903 1   4   2G  777   

 *  4   松原  4   904 1   5   3G  666   

 */

public class MapSideJoinMain extends Configured implements Tool{

    private static final Logger logger = LoggerFactory.getLogger(MapSideJoinMain.class);

    public static class LeftOutJoinMapper extends Mapper {



        private HashMap city_info = new HashMap<String,String>();

        private Text outPutKey = new Text();

        private Text outPutValue = new Text();

        private String mapInputStr = null;

        private String mapInputSpit[] = null;

        private String city_secondPart = null;

        /**

         * 此方法在每一个task开始以前执行，这里主要用做从DistributedCache   

         * 中取到tb_dim_city文件，并将里边记录取出放到内存中。   

         */

        @Override

        protected void setup(Context context)

                throws IOException, InterruptedException {

            BufferedReader br = null;

            //得到当前做业的DistributedCache相关文件   

            Path[] distributePaths = DistributedCache.getLocalCacheFiles(context.getConfiguration());

            String cityInfo = null;

            for(Path p : distributePaths){

                if(p.toString().endsWith("tb_dim_city.dat")){

                    //读缓存文件，并放到mem中   

                    br = new BufferedReader(new FileReader(p.toString()));

                    while(null!=(cityInfo=br.readLine())){

                        String[] cityPart = cityInfo.split("\\|",5);

                        if(cityPart.length ==5){

                            city_info.put(cityPart[0], cityPart[1]+"\t"+cityPart[2]+"\t"+cityPart[3]+"\t"+cityPart[4]);

                        }

                    }

                }

            }

        }



        /**

         * Map端的实现至关简单，直接判断tb_user_profiles.dat中的   

         * cityID是否存在个人map中就ok了，这样就能够实现Map Join了   

         */

        protected void map(Object key, Text value, Context context)

                throws IOException, InterruptedException {

            //排掉空行   

            if(value == null || value.toString().equals("")){

                return;

            }

            mapInputStr = value.toString();

            mapInputSpit = mapInputStr.split("\\|",4);

            //过滤非法记录   

            if(mapInputSpit.length != 4){

                return;

            }

            //判断连接字段是否在map中存在   

            city_secondPart = (String) city_info.get((Object) mapInputSpit[3]);

            if(city_secondPart != null){

                this.outPutKey.set(mapInputSpit[3]);

                this.outPutValue.set(city_secondPart+"\t"+mapInputSpit[0]+"\t"+mapInputSpit[1]+"\t"+mapInputSpit[2]);

                context.write(outPutKey, outPutValue);

            }

        }

    }

    

    public int run(String[] args) throws Exception {

        Configuration conf=getConf(); //得到配置文件对象   

        DistributedCache.addCacheFile(new Path(args[1]).toUri(), conf);//为该job添加缓存文件   

        Job job=new Job(conf,"MapJoinMR");

        job.setNumReduceTasks(0);



        FileInputFormat.addInputPath(job, new Path(args[0])); //设置map输入文件路径   

        FileOutputFormat.setOutputPath(job, new Path(args[2])); //设置reduce输出文件路径



        job.setJarByClass(MapSideJoinMain.class);

        job.setMapperClass(LeftOutJoinMapper.class);



        job.setInputFormatClass(TextInputFormat.class); //设置文件输入格式   

        job.setOutputFormatClass(TextOutputFormat.class);//使用默认的output格式



        //设置map的输出key和value类型   

        job.setMapOutputKeyClass(Text.class);



        //设置reduce的输出key和value类型   

        job.setOutputKeyClass(Text.class);

        job.setOutputValueClass(Text.class);

        job.waitForCompletion(true);

        return job.isSuccessful()?0:1;

    }

    public static void main(String[] args) throws IOException,

            ClassNotFoundException, InterruptedException {

        try {

            int returnCode =  ToolRunner.run(new MapSideJoinMain(),args);

            System.exit(returnCode);

        } catch (Exception e) {

            // TODO Auto-generated catch block   

            logger.error(e.getMessage());

        }

    }

}

实例参考文献：

http://www.javashuo.com/article/p-ethukfpi-ep.html

 

本身开发了一个股票智能分析软件，功能很强大，须要的点击下面的连接获取：

http://www.javashuo.com/article/p-kahdodke-ge.html