上一篇文章说的ReduceSide Join的一个缺点就是,在map方法之中,只对数据加了tag、提取了groupkey,没有做任何的数据过滤,这样在map-reduce之中的shuffle过程会造成大量的 磁盘IO使得效率降低。
这次使用的是Replicated Join,完成的任务跟上次一样.
它有一个前提:需要关联在一起的两个文件,其中一个文件比较小,至少能放到内存之中。
其中一个关键的地方就是,在运行job之前,先将本地的小文件(简称为smallIn)上传到Hadoop集群的每一个服务器之中。在每个集群之中,大文件的split跟smallIn进行jion的操作。这样效率会比较高。
上传的代码:
Path smallIn = new Path("..."); DistributedCache.addCacheFile(smallIn.toUri(), conf);
除了这种方式,可以在命令行调用的时候自动上传:
bin/hadoop jar -files smallIn DataJoinDC.jar big_in.txt output
我们对比两个文件的原始大小:
u.user: 23KB
u.data: 1933KB
所以,显然我们应该选择u.user作为DistributedCache文件。
在Map类之中,如果使用新的API,则在setup之中进行,如果是old api 则在configure()方法之中进行分解动作。
获取Cache之中的文件的代码如下:
URI[] cachesFiles = DistributedCache.getCacheFiles(conf);
这跟<Hadoop in Action> 上的代码不太一样,书上是调用
Path[] cachesFiles = DistributedCache.getLocalCacheFiles(conf);
一般这是在Local模式下进行的。
Note:
以上一部分是猜测!因为这个程序在我的环境Eclipse + Ubunut (Pseodu-Distributed) 模式没有成功,无法正确的获取到Cache文件!
最后,贴上我的代码做个纪念,暂时保留这个问题:
import java.io.File; import java.io.IOException; import java.net.URI; import java.util.Hashtable; import java.util.Iterator; import org.apache.commons.io.FileUtils; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.filecache.DistributedCache; import org.apache.hadoop.fs.FileSystem; 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.KeyValueTextInputFormat; import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat; public class Main { private static final String U_DATA_SEPARATOR = "\t"; private static final String U_USER_SEPARATOR = "[|]"; public static class Map extends Mapper<Text, Text, Text, Text> { private Hashtable<String, String> table = new Hashtable<String, String>(); @Override protected void map(Text key, Text value, Mapper<Text, Text, Text, Text>.Context context) throws IOException, InterruptedException { String dataInfo = value.toString(); if(dataInfo.trim().length() == 0) return; if(table.containsKey(key.toString())) { String userInfo = table.get(key.toString()); String[] userTokens = userInfo.split(U_USER_SEPARATOR); String userData = "age=" + userTokens[0]; String[] dataTokens = dataInfo.split(U_DATA_SEPARATOR); String ratingData = "ratings=" + dataTokens[1]; context.write(key, new Text(userData + "|" + ratingData)); } } @Override protected void setup(Mapper<Text, Text, Text, Text>.Context context) throws IOException, InterruptedException { try { Configuration conf = context.getConfiguration(); // Path[] cachesFiles = DistributedCache.getLocalCacheFiles(conf); URI[] cachesFiles = DistributedCache.getCacheFiles(conf); if(cachesFiles != null && cachesFiles.length > 0) { Iterator<String> it = FileUtils.lineIterator(new File(cachesFiles[0].toString())); while(it.hasNext()) { String line = it.next(); System.out.println("~~~~~~~ line=" + line); if(line.trim().length() == 0) continue; String[] tokens = line.split(U_USER_SEPARATOR, 2); table.put(tokens[0], tokens[1]); } } else { System.out.println("!!!!!!!!!!!!!!!! empty cache files"); } } catch (IOException e) { e.printStackTrace(); } } } public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException { Configuration conf = new Configuration(); Job job = Job.getInstance(conf, "word count"); job.setJobName("Replicated Join"); job.setJarByClass(Main.class); job.setMapperClass(Map.class); job.setNumReduceTasks(0); job.setInputFormatClass(KeyValueTextInputFormat.class); job.setOutputFormatClass(TextOutputFormat.class); // job.setOutputKeyClass(Text.class); // job.setOutputValueClass(TextOutputFormat.class); FileSystem fs = FileSystem.get(conf); // Path localSmallIn = new Path("/home/hadoop/DataSet/movielens/u.user"); Path hdfsSmallIn = new Path("/data/u.user"); // fs.copyFromLocalFile(true, localSmallIn , hdfsSmallIn); // DistributedCache.addCacheFile( // hdfsSmallIn.toUri(), conf); Path bigIn = new Path("/home/hadoop/DataSet/movielens/u.data"); Path out = new Path("/home/hadoop/DataSet/movielens-Replicated-output"); // Path bigIn = new Path("/data/u.data"); // Path out = new Path("/data/movielens-Replicated-output"); if(fs.exists(out)) { System.out.println("输出目录已经存在,将其删除~"); fs.delete(out, true); } FileInputFormat.setInputPaths(job, bigIn); FileOutputFormat.setOutputPath(job, out); conf.set("mapreduce.input.keyvaluelinerecordreader.key.value.separator", U_DATA_SEPARATOR); // job.set("key.value.separator.in.input.line", U_DATA_SEPARATOR); // for u.data System.exit(job.waitForCompletion(true) ? 0 : 1); } }
相关推荐
### Hadoop分布式系统:系统设计与架构 #### Hadoop简介 Hadoop是一个开源软件框架,用于分布式存储和处理大规模数据集。它最初由Apache Software Foundation开发,并已成为大数据处理领域的核心工具之一。Hadoop...
Hadoop是一个开源的分布式计算平台,以其高可靠性、高扩展性和高效性处理大规模数据集而闻名。Hadoop的核心组件HDFS(Hadoop Distributed File System)是实现数据分布式存储的关键。本文将详细探讨Hadoop如何通过...
Hadoop分布式文件系统架构和设计 Hadoop分布式文件系统是Hadoop生态系统的核心组件之一,负责存储和管理大规模数据集。下面将对Hadoop分布式文件系统的架构和设计进行详细介绍。 一、前提和设计目标 Hadoop分布式...
3. Hadoop分布式爬虫设计:Hadoop分布式爬虫设计是基于Hadoop分布式文件系统HDFS及其分布式计算框架MapReduce的基础上开发的分布式搜索引擎的爬虫设计相关技术、原理、流程图。 二、分布式爬虫技术原理 1. ...
1. DFS命令行工具操作Hadoop分布式集群:DFS代表的是分布式文件系统,它是Hadoop用来存储大规模数据集的关键组件。DFS命令行工具是操作Hadoop集群文件系统的接口,允许用户通过命令行与HDFS进行交互,实现数据的上传...
### Hadoop分布式文件系统(HDFS):关键技术与实践 #### 摘要 Hadoop分布式文件系统(HDFS)是Hadoop项目的核心组件之一,旨在为大规模数据集提供高效可靠的存储解决方案。HDFS的设计原则强调了数据的分布式存储与...
Hadoop 分布式文件系统 (HDFS)是一个设计为用在普通硬件设备上的分布式文件系统。它与现有的分布式文件系统有很多近似的地方,但又和这些文件系统有很明显的不同。HDFS是高容错的,设计为部署在廉价硬件上的。HDFS对...
基于SpringMVC+Spring+HBase+Maven搭建的Hadoop分布式云盘系统。使用Hadoop HDFS作为文件存储系统、HBase作为数据存储仓库,采用SpringMVC+Spring框架实现,包括用户注册与登录、我的网盘、关注用户、我的分享、我...
Hadoop分布式缓存是Hadoop生态系统中的一个重要组成部分,它允许应用程序在执行MapReduce任务时共享和重用数据,从而提高整体性能。这份源码提供了深入理解Hadoop如何管理和利用分布式缓存的机会,对于想要优化...
《高可用性的HDFS——Hadoop分布式文件系统深度实践》专注于Hadoop分布式文件系统(hdfs)的主流ha解决方案,内容包括:hdfs元数据解析、hadoop元数据备份方案、hadoop backup node方案、avatarnode解决方案以及最新...
Hadoop分布式集群配置指南 Hadoop分布式集群配置是大数据处理的关键步骤之一,本指南将指导读者成功配置一个由5台计算机构成的Hadoop集群,并成功运行wordcount处理大型数据(大于50G)。 一、Hadoop集群架构简介 ...
Hadoop分布式搭建环境: 系统:centos 6.5 64位 软件:Hadoop 2.2.0 64位 jdk 1.7 64位 用户: hadoop 运行环境:虚拟机vm 10 64位
Hadoop分布式配置文件hdfs-site.xml,用于在搭建Hadoop分布式集群时,设置集群规划所用,集群中虚拟机都需要修改该配置文件,除此之外,还需要修改其他配置文件,包括core-site.xml、mapred-site.xml和yarn-site.xml...
Hadoop分布式配置文件mapred-site.xml,用于在搭建Hadoop分布式集群时,设置集群规划所用,集群中虚拟机都需要修改该配置文件,除此之外,还需要修改其他配置文件,包括core-site.xml、hdfs-site.xml和yarn-site.xml...
第四章(Hadoop大数据处理实战)Hadoop分布式文件系统.pdf第四章(Hadoop大数据处理实战)Hadoop分布式文件系统.pdf第四章(Hadoop大数据处理实战)Hadoop分布式文件系统.pdf第四章(Hadoop大数据处理实战)Hadoop分布式文件...
本文将讨论如何基于Hadoop分布式存储与分析平台解决这一问题。 Hadoop是一个开源的分布式存储和处理大数据的框架,它能有效地存储和处理PB级别的数据。Hadoop的核心是HDFS(Hadoop Distributed File System),它...
Hadoop分布式集群搭建的知识点包括以下几个主要方面: 1. 环境准备与组件安装: - 首先,需要准备一个网络中各个节点之间能够通信的环境,确保集群中的每台计算机都能够通过SSH无密码登录,这对于集群中的各个服务...
CentOS7安装和基础环境配置:Hadoop分布式搭建前期准备工作 CentOS7是 Linux 操作系统的发行版本之一,广泛应用于服务器和超级计算机领域。Hadoop是一个基于分布式计算的开源框架,广泛应用于大数据处理和分析领域...
Hadoop分布式存储平台外文文献翻译 Hadoop分布式存储平台是 Apache Hadoop 项目的一部分,负责管理和存储大规模数据。HDFS(Hadoop Distributed File System)是Hadoop分布式存储平台的核心组件,负责存储和管理...