Hadoop中共享全局信息的几种方法
在编写Hadoop MapReduce程序的过程中有时候需要在各个Mapper或者Reducer中使用一些共享的全局数据,例如在处理整数数据表格的时候有时候需要让每个Reducer知道各个列的取值范围或是一些图算法中需要让各个Reducer知道图的连通关系。
加入key/value对 | 通用,但效率不高 |
将共享文件放在HDFS上,采用Hadoop的文件操作API访问 |
通用,效率一般(可读可写) |
将共享信息加入JobConf/Configure对象,set/get系列方法 | 较适用于小信息,效率最高 |
将共享信息加入DistributedCache对象 | 较适用于大量共享信息(只能读) |
1, 最基本的方法是把需要共享的信息加到key/value对中。这种方法简单易行(用Text表示value,然后在正常数据后面加间隔符和全局数据),但是网络效率和处理效率都受到非常严重的影响。
2, 把共享文件放在HDFS上,在每个Mapper/Reducer中使用Hadoop的文件API去访问。这种方法比较通用,但是需要涉及DFS的文件操作,较为复杂且效率会受到影响。
读写HDFS的API与标准Java文件API有一点差异,需要使用特定的对象来创建InputStream/OutputStream。下面举一个从HDFS文件中读取信息的例子。
其中的关键点在于:首先根据当前的JobConf获得当前的文件系统(它默认从hadoop下的配置文件中读取相关信息,同样适用于单节点模式);然后 要使用FileSystem的成员方法open打开文件(它返回一个FSDataInputStream,它是InputStream的子类), 千万不要试图使用一般的Java文件API打开输入流或直接使用Hadoop的Path打开文件,如new Scanner(p.toString())或new Scanner(new Path(hdfs.getHomeDirectory(),p).toString()),会出现找不到文件的异常(即使文件就在所显示的目录里面)
import org.apache.hadoop.mapred.JobConf; import org.apache.hadoop.fs.FileSystem; import org.apache.hadoop.fs.Path; class XXX{ private int N; List<Integer> D=new ArrayList<Integer>(); ..... private void setConfByHDFS(Path p, JobConf conf) throws IOException { FileSystem hdfs = FileSystem.get(conf); Scanner s = new Scanner(hdfs.open(p)); N = s.nextInt();for (int i = 0; i < N; i++) { D.add(s.nextInt()); } s.close(); } }3, 使用JobConf的set*方法写入配置信息,再在Mapper/Reducer的configure方法里面使用JobConf的get*方法读取相关信息。
由于信息是写入JobConf的,读取的时候不设计HDFS的读写,效率最高。但是这种方法难以共享大量信息。比较适合设置一些全局变量。
实现的时候需要 重载Mapper/Reducer的configure方法。
set*方法在JobConf中根据指定的名字创建一个指定类型值,get*方法根据名字访问已经存入的值,对于基本类型可以通过一个额外的参数指定访问失败时返回的默认值(class方法失败时返回null)。可以使用setInt/getInt,setFloat/getFloat这样的方法存取如int、float这样的类型;存取单个字符串直接使用set/get方法;setStrings/getStrings方法的访问的是一个String类型的数组。
class XXX{ ... public static class CSVReducer extends MapReduceBase implements Reducer<IntWritable, IntWritable, IntWritable, VectorIntWritable> { private int N=0; private ArrayList<Integer> D = new ArrayList<Integer>(); @Override public void configure(JobConf job) {//只有这里能访问到JobConf super.configure(job); N=job.getInt("csvcount.conf.num", -1);//访问共享信息 String str = job.get("csvcount.conf.d"); for (String s : str.split(",")) { D.add(Integer.parseInt(s)); } } @Override public void reduce(IntWritable key, Iterator<IntWritable> values, OutputCollector<IntWritable, VectorIntWritable> output, Reporter reporter) throws IOException { int[] res = new int[D.get(key.get())]; // System.out.println(D.get(key.get())); ... } } private void setConfByConfigure(Path p, JobConf conf) throws IOException {//创建任务后调用本函数类写入全局共享信息 FileSystem hdfs = FileSystem.get(conf); Scanner s = new Scanner(hdfs.open(p)); int N = s.nextInt(); ArrayList<Integer> D = new ArrayList<Integer>(); for (int i = 0; i < N; i++) { D.add(s.nextInt()); } s.close(); conf.setInt("csvcount.conf.num", N);//写入共享信息 conf.set("csvcount.conf.d", D.toString().replaceAll("[\\[\\] ]", "")); } 4, 写入DistributedCache。它是Hadoop专门为共享一些只读的全局信息提供的一个较为简单的机制。由于任务信息块里面只记录了文件的路径,具体的文件读写还是在HDFS上进行,所有可以共享大量的数据;另外由于只允许读操作,以及其他一些内部优化,效率要比使用Hadoop文件API读写文件高一些。
使用的时候需要先调用DistributedCache的静态方法addCacheFile将共享文件/目录的URI加入到任务JobConf中;访问之前使用DistributedCache的另一个静态方法getLocalCachedFiles将job中的共享文件全都列出来,然后就可以使用标准的Java文件API打开文件了。
在Mapper/Reducer中需要重载configure方法。
public class XXX { public static class Map extends MapReduceBase implements Mapper<LongWritable, Text, Text, IntWritable> { private Set<String> patternsToSkip = new HashSet<String>();@Overridepublic void configure(JobConf job) {Path[] patternsFiles = new Path[0];try {patternsFiles = DistributedCache.getLocalCacheFiles(job);//获取所有DistributedCache文件名/目录名} catch (IOException ioe) {System.err.println("Caught exception while getting cached files: "+ StringUtils.stringifyException(ioe));}for (Path patternsFile : patternsFiles) {parseSkipFile(patternsFile);}}private void parseSkipFile(Path patternsFile) {try {BufferedReader fis = new BufferedReader(new FileReader(patternsFile.toString()));String pattern = null;while ((pattern = fis.readLine()) != null) {patternsToSkip.add(pattern);}fis.close();} catch (IOException ioe) {System.err.println("Caught exception while parsing the cached file '" + patternsFile + "' : "+ StringUtils.stringifyException(ioe));}}public void map(LongWritable key, Text value, OutputCollector<Text, IntWritable> output, Reporter reporter)throws IOException {...}}public static class Reduce extends MapReduceBase implements Reducer<Text, IntWritable, Text, IntWritable> {...}public int run(String[] args) throws Exception {JobConf conf = new JobConf(getConf(), WordCount2.class);conf.setJobName("wordcount2");...List<String> other_args = new ArrayList<String>();for (int i = 0; i < args.length; ++i) {if ("-skip".equals(args[i])) {DistributedCache.addCacheFile(new Path(args[++i]).toUri(), conf);//添加DistributedCache} else {other_args.add(args[i]);}}FileInputFormat.setInputPaths(conf, new Path(other_args.get(0)));FileOutputFormat.setOutputPath(conf, new Path(other_args.get(1)));JobClient.runJob(conf);return 0;}作者:yanxiangtianji 发表于2014-4-20 16:27:56 原文链接阅读:0 评论:0 查看评论