Hadoop DistributedCache jest przestarzały - jakie jest preferowane API?

Aby rozwinąć @jtravaglini, preferowany sposób użycia DistributedCache dla przędzy/MapReduce 2 jest następujący:

W swoim kierowcy użyj Job.addCacheFile()

public int run(String[] args) throws Exception {
    Configuration conf = getConf();

    Job job = Job.getInstance(conf, "MyJob");

    job.setMapperClass(MyMapper.class);

    // ...

    // Mind the # sign after the absolute file location.
    // You will be using the name after the # sign as your
    // file name in your Mapper/Reducer
    job.addCacheFile(new URI("/user/yourname/cache/some_file.json#some"));
    job.addCacheFile(new URI("/user/yourname/cache/other_file.json#other"));

    return job.waitForCompletion(true) ? 0 : 1;
}

I w Twoim Maperze/reduktorze zastąp metodę setup(Context context):

@Override
protected void setup(
        Mapper<LongWritable, Text, Text, Text>.Context context)
        throws IOException, InterruptedException {
    if (context.getCacheFiles() != null
            && context.getCacheFiles().length > 0) {

        File some_file = new File("./some");
        File other_file = new File("./other");

        // Do things to these two files, like read them
        // or parse as JSON or whatever.
    }
    super.setup(context);
}

Nowy DistributedCache API dla YARN / MR2 znajduje się w klasie org.apache.hadoop.mapreduce.Job.

   Job.addCacheFile()

Niestety, nie ma jeszcze wielu kompleksowych przykładów w stylu samouczka.

Http://hadoop.apache.org/docs/stable/api/org/apache/hadoop/mapreduce/Job.html#addCacheFile%28java.net.URI%29

Nie użyłem Hioba.addCacheFile (). Zamiast tego użyłem opcji-files, takiej jak " - files/path/to / myfile.txt#myfile " jak poprzednio. Następnie w kodzie mapera lub reduktora stosuję metodę poniżej:

/**
 * This method can be used with local execution or HDFS execution. 
 * 
 * @param context
 * @param symLink
 * @param throwExceptionIfNotFound
 * @return
 * @throws IOException
 */
public static File findDistributedFileBySymlink(JobContext context, String symLink, boolean throwExceptionIfNotFound) throws IOException
{
    URI[] uris = context.getCacheFiles();
    if(uris==null||uris.length==0)
    {
        if(throwExceptionIfNotFound)
            throw new RuntimeException("Unable to find file with symlink '"+symLink+"' in distributed cache");
        return null;
    }
    URI symlinkUri = null;
    for(URI uri: uris)
    {
        if(symLink.equals(uri.getFragment()))
        {
            symlinkUri = uri;
            break;
        }
    }   
    if(symlinkUri==null)
    {
        if(throwExceptionIfNotFound)
            throw new RuntimeException("Unable to find file with symlink '"+symLink+"' in distributed cache");
        return null;
    }
    //if we run this locally the file system URI scheme will be "file" otherwise it should be a symlink
    return "file".equalsIgnoreCase(FileSystem.get(context.getConfiguration()).getScheme())?(new File(symlinkUri.getPath())):new File(symLink);

}

Następnie w maperze / reduktorze:

@Override
protected void setup(Context context) throws IOException, InterruptedException
{
    super.setup(context);

    File file = HadoopUtils.findDistributedFileBySymlink(context,"myfile",true);
    ... do work ...
}

Zauważ, że jeśli użyłem " - files / path / to / myfile.txt "bezpośrednio potem muszę użyć" myfile.txt " aby uzyskać dostęp do pliku, ponieważ jest to domyślna nazwa dowiązania symbolicznego.

Żadne z wymienionych rozwiązań nie działało dla mnie w kompletności . Może dlatego, że wersja Hadoop ciągle się zmienia używam hadoop 2.6.4. Zasadniczo DistributedCache jest przestarzały, więc nie chciałem tego używać. Jak niektórzy z postów sugerują nam użycie addCacheFile (), jednak trochę się to zmieniło. Oto jak to dla mnie działało

job.addCacheFile(new URI("hdfs://X.X.X.X:9000/EnglishStop.txt#EnglishStop.txt"));

Tutaj X. X. X. X może być głównym adresem IP lub localhost. / Align = "Left" / txt był przechowywany w HDFS w / location.

hadoop fs -ls /

Wyjście jest

-rw-r--r--   3 centos supergroup       1833 2016-03-12 20:24 /EnglishStop.txt
drwxr-xr-x   - centos supergroup          0 2016-03-12 19:46 /test

public void setup(Context context) throws IOException, InterruptedException     
{
    File stopwordFile = new File("EnglishStop.txt");
    FileInputStream fis = new FileInputStream(stopwordFile);
    BufferedReader reader = new BufferedReader(new InputStreamReader(fis));

    while ((stopWord = reader.readLine()) != null) {
        // stopWord is a word read from Cache
    }
}

Miałem ten sam problem. I nie tylko jest DistributedCach przestarzałe, ale getLocalCacheFiles i "new Job" zbyt. Więc to, co działało dla mnie, jest następujące:

Kierowca:

Configuration conf = getConf();
Job job = Job.getInstance(conf);
...
job.addCacheFile(new Path(filename).toUri());

W ustawieniu Mapera / reduktora:

@Override
protected void setup(Context context) throws IOException, InterruptedException
{
    super.setup(context);

    URI[] files = context.getCacheFiles(); // getCacheFiles returns null

    Path file1path = new Path(files[0])
    ...
}