Hadoop 实验：分布式缓存
一．概述
假定现在有100G的大表和1M的小表，如果是储存在一个盘里，处理和运行就会很慢，假定把100G分别分到10个map，这样1个map就是总量的1/10，加快了处理。用小表中单词在大表中出现次数，也即所谓的“扫描大表，加载小表”。也即分布时缓存。
如图:
由于这次实验没有100G这么大的表也没有1m的小表只能自己设置一个小表和大表。
整个实验步骤为:
1.准备数据
2.上传数据
3.编写代码
4.执行代码
5.查看结果
1.准备数据
大文件为：big.txt
aaa bbb ccc eee fff ggg
hhh iii jjj kkk lll mmm nnn
ooo ppp qqq rrr sss ttt uuu
vvv www yyy zzz
小文件为：small.txt
eee sss 555
2.上传数据
先用Xftp把大表和小表上传到Ubantu中地址: /home/hadoop/主目录
创建文件夹
Hadoop fs -mkdir -p /user/root/mr/in
导入txt文本
Hadoop fs -put /home/hadoop/big.txt /user/root/mr/in
Hadoop fs -put /home/hadoop/small.txt /user/root/mr/in
查询是否上传成功:
Hadoop fs -ls /user/root/mr/in
3.编写代码
（1）jar为/hadoop/ilb.zip 请自行下载。
（2）我用的idea开发工具
（3）新 建 BigAndSmallTable 类 并 指 定 包 名 （ 代 码 中 为 cn.cstor.mr ） ， 在 BigAndSmallTable.java 文件中。
（4）代码如下:
package cn.cstor.mr;
import java.io.IOException;
import java.util.HashSet;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.LineReader;
public class BigAndSmallTable {
public static class TokenizerMapper extends
Mapper<Object, Text, Text, IntWritable> {
private final static IntWritable one = new IntWritable(1);
private static HashSet<String> smallTable = null;
protected void setup(Context context) throws IOException,
InterruptedException {
smallTable = new HashSet<String>();
Path smallTablePath = new Path(context.getConfiguration().get(
"smallTableLocation"));
FileSystem hdfs = smallTablePath.getFileSystem(context
.getConfiguration());
FSDataInputStream hdfsReader = hdfs.open(smallTablePath);
Text line = new Text();
LineReader lineReader = new LineReader(hdfsReader);
while (lineReader.readLine(line) > 0) {
// you can do something here
String[] values = line.toString().split(" ");
for (int i = 0; i < values.length; i++) {
smallTable.add(values[i]);
System.out.println(values[i]);
}
}
lineReader.close();
hdfsReader.close();
System.out.println("setup ok *^_^* ");
}
public void map(Object key, Text value, Context context)
throws IOException, InterruptedException {
String[] values = value.toString().split(" ");
for (int i = 0; i < values.length; i++) {
if (smallTable.contains(values[i])) {
context.write(new Text(values[i]), one);
}
}
}
}
public static class IntSumReducer extends
Reducer<Text, IntWritable, Text, IntWritable> {
private IntWritable result = new IntWritable();
public void reduce(Text key, Iterable<IntWritable> values,
Context context) throws IOException, InterruptedException {
int sum = 0;
for (IntWritable val : values) {
sum += val.get();
}
result.set(sum);
context.write(key, result);
}
}
public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
conf.set("smallTableLocation", args[1]);
Job job = Job.getInstance(conf, "BigAndSmallTable");
job.setJarByClass(BigAndSmallTable.class);
job.setMapperClass(TokenizerMapper.class);
job.setReducerClass(IntSumReducer.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
FileInputFormat.addInputPath(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[2]));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}
执行代码后遇到的问题：
这个数组是长度为0的（但不等于null），当使用 args[0]时就会出现越界错误。
需要参数，需要给参数赋值，但我们的才是为txt的文本，所以这里不影响我们在hadoop 运行。
我们只需要在hadoop 运行jar加txt 就不会出现此问题。
（5）将java 导出为jar包，用xftp导入uabntu /usr/local/hadoop/share/hadoop/name/。
4.执行代码
/usr/cstor/hadoop/bin/hadoop jar /home/hadoop/BigSmallTable.jar
cn.cstor.mr.BigAndSmallTable /user/root/mr/in/big.txt
/user/root/mr/in/small.txt /user/root/mr/bigAndSmallResult
执行成功:
5.查询结果
程序执行后，可使用下述命令查看执行结果，注意若再次执行，请更改结果目录：
Hadoop fs -cat /user/root/mr/bigAndSmallResult/part-r-00000
根据 big.txt，small.txt 文件内容和编程目的，易知实验结果准确无误。
