Hadoop传递参数的方法总结

写MapReduce程序通常要传递各种各样的参数，选择合适的方式来传递参数既能提高工作效率，也可以避免bug的产生。根据参数的大小，可以粗略的分为以下几种。

最直接的方式就是使用Configuration的各种set方法，对于基本数据类型都有很好的支持，比如传递kmeans聚类算法的中心点个数。
如何传递一个对象型参数？话说所有的对象都是由基本类型构建的，所以我们可以覆盖这个对象的toString()方法，将它的所有元素表示成字符串，然后使用Configuration.set(name, value)传递这个字符串。然后在Mapper端获得这个字符串，做析构。这种朴素的方法有两个缺点。首先，将对象变成字符串会有精度上的损失，比如 double类型转换成字符串，不仅精度有损失，而且8字节的空间用字符串来表示可能会变成几十字节。其次，由于字符串化和反字符串化分散在不同的地方，很容易产生bug，如果修改了这个对象的结构，这种bug产生的几率非常大。既然有这种需求存在，难道hadoop没有提供nice点的方法吗？有，不过在api文档中没有直接说明。
正确的方法是，让这个对象实现Writable接口，使它具有序列化的能力，然后使用org.apache.hadoop.io.DefaultStringifier的store(conf, obj, keyname)和load(conf,
keyname, itemclass)静态方法设置和获取这个对象。他的主要思想就是将这个对象序列化成一个字节数组后，用Base64编码成一个字符串，然后传递给 conf, 解析的时候与之类似。
如何传递更大的参数，比如分词用的语料库等等？可以使用hadoop的缓存文件DistributedCache。
1、使用configuration的set()和get()方法，这里的name和value都是String型
Configuration.set(name, value)
Configuration.get(name)
这种方法适合基本数据类型的传递。
2、使用Stringifier 接口。

DefaultStringifier.store(conf, object ,"key");

将object以序列化后以指定的key存在conf中。

object = DefaultStringifier.load(conf, "key", variableClass );

从conf中取出object。
需要指出的是使用第二种方法的对象必须是可序列化的。Hadoop的序列化是通过Writable接口来实现的，在org.apache.hadoop.io包下包含了大量的可序列化的组件，它们都实现了Writable接口，Writable接口提供了两个方法，write和readFields，分别用来序列化和反序列化，实现该接口的典型例子如下：

package com.sanyuan.resource.xml.Entity;

import java.io.DataInput;

import java.io.DataOutput;

import java.io.IOException;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.io.Writable;

public class PublishUrl implements Writable {

private static final long serialVersionUID = 1L;

private Text url;

private Text title;

public PublishUrl(){

this.url = new Text();

this.title = new Text();

}

public Text getUrl() {

return url;

}

public void setUrl(Text url) {

this.url = url;

}

public Text getTitle() {

return title;

}

public void setTitle(Text title) {

this.title = title;

}

@Override

public void readFields(DataInput in) throws IOException {

url.readFields(in);

title.readFields(in);

}

@Override

public void write(DataOutput out) throws IOException {

url.write(out);

title.write(out);

}

}

3、如果是一些更大的object，是不能放在conf中传递的，这就需要用到DistributedCache或者Hdfs文件系统。