hadoop中的分布式缓存——DistributedCache

分布式缓存一个最重要的应用就是在进行join操作的时候，如果一个表很大，另一个表很小很小，我们就可以将这个小表进行广播处理，即每个计算节点 上都存一份，然后进行map端的连接操作，经过我的实验验证，这种情况下处理效率大大高于一般的reduce端join，广播处理就运用到了分布式缓存的 技术。

DistributedCache将拷贝缓存的文件到Slave节点在任何Job在节点上执行之前，文件在每个Job中只会被拷贝一次，缓存的归档文件会被在Slave节 点中解压缩。将本地文件复制到HDFS中去，接着J哦不Client会通过addCacheFile() 和addCacheArchive()方法告诉DistributedCache在HDFS中的位置。当文件存放到文地时，JobClient同样获得 DistributedCache来创建符号链接，其形式为文件的URI加fragment标识。当用户需要获得缓存中所有有效文件的列表 时，JobConf 的方法 getLocalCacheFiles() 和getLocalArchives()都返回一个指向本地文件路径对象数组。

下面贴一下我的部分代码：

在run函数中

1. DistributedCache.createSymlink(job.getConfiguration());//
2. try {//#的作用是以后用的时候直接input就可以了
3. DistributedCache.addCacheFile(new URI(args[1]+"/#input"), job.getConfiguration());
4. } catch (URISyntaxException e1) {
5. // TODO Auto-generated catch block
6. e1.printStackTrace();
7. }

在map端打开分布式缓存的文件并读如Hashtable中

1. private Hashtable<String, DefinedMyself> word_hash = new Hashtable<String,DefinedMyself<span style="text-indent: 118px; ">>();</span>
2. public void setup(Context context) throws IOException, InterruptedException{
3. String[] selected_region = null;
4. Path p[] = DistributedCache.getLocalCacheFiles(context.getConfiguration());
5. FileReader reader = new FileReader("input");
6. BufferedReader br = new BufferedReader(reader);
7. System.out.println("this is OK");
8. String s1 = null;
9. int i=0;
10. while((s1 = br.readLine())!=null){
11. String[] word = s1.split("\\|");
12. //do something you want
13. }
14. }
15. br.close();
16. reader.close();