1.概述
小文件是指文件size小于HDFS上block大小的文件。这样的文件会给hadoop的扩展性和性能带来严重问题。首先,在HDFS中,任何block,文件或者目录在内存中均以对象的形式存储,每个对象约占150byte,如果有1千万个小文件,每个文件占用一个block,则NameNode大约需要2G空间。如果存储一亿个文件,则NameNode需要20G空间。这样NameNode内存容量严重制约了集群的扩展。其次,访问大量小文件速度远远小于访问几个大文件。HDFS最初是为流式访问大文件开发的,如果访问大量小文件,需要不断的从一个DataNode跳到另外一个DataNode,严重影响性能。最后,处理大量小文件速度远远小于处理同等大小的大文件的速度。每一个小文件要占用一个slot,而task启动将耗费大量时间甚至大部分时间都耗费在启动task和释放task上。
2.HDFS文件读写流程
在正式介绍HDFS小文件存储方案之前,我们先介绍一下当前HDFS上文件存取的基本流程。
2.1 读文件流程
A.client端发送读文件请求给NameNode,如果文件不存在,返回错误信息,否则,将该文件对应的block机器所在DataNode位置发送给client。
B.client收到文件位置信息后,与不同DataNode建立socket连接并行获取数据。
2.2 写文件流程
A.client端发送写文件请求,NameNode检查文件是否存在,如果已经存在,直接返回错误信息,否则,发送给client一些可用节点。
B.client将文件分块,并行存储到不同DataNode节点上,发送完成以后,client同时发送信息给NameNode和DataNode。
C.NameNode收到client的信息后,发送信息给DataNode。
D.DataNode同时收到NameNode和DataNode的确认信息后,提交写操作。
3 解决小文件的方案
3.1 编写应用程序实现
[java] view plaincopy
- public class AppForSmallFile {
- //定义文件读取的路径
- private static final String OUTPATH = "hdfs://liaozhongmin:9000";
- public static void main(String[] args) {
- //定义FSDataOutputStream对象
- FSDataOutputStream fsDataoutputStream = null;
- //定义输入流读文件
- InputStreamReader inputStreamReader = null;
- try {
- //创建合并后文件存储的的路径
- Path path = new Path(OUTPATH + "/combinedFile");
- //创建FSDataOutputStream对象
- fsDataoutputStream = FileSystem.get(path.toUri(), new Configuration()).create(path);
- //创建要合并的小文件路径
- File sourceDir = new File("C:\\Windows\\System32\\drivers\\etc");
- //遍历小文件
- for (File fileName : sourceDir.listFiles()){
- //创建输入流
- //fileInputStream = new FileInputStream(fileName.getAbsolutePath());
- //只有这样才可以制定字符编码(没办法,Window是默认GBK的,Hadoop是默认UTF-8的,所以读的时候就会乱码)
- inputStreamReader = new InputStreamReader(new FileInputStream(fileName), "gbk");
- //一行一行的读取
- List<String> readLines = IOUtils.readLines(inputStreamReader);
- //然后再写出去
- for (String line : readLines){
- //写入一行
- fsDataoutputStream.write(line.getBytes());
- //写入一个换行符
- fsDataoutputStream.write("\n".getBytes());
- }
- }
- System.out.println("合并成功");
- } catch (Exception e) {
- e.printStackTrace();
- } finally{
- try {
- inputStreamReader.close();
- fsDataoutputStream.close();
- } catch (IOException e) {
- e.printStackTrace();
- }
- }
- }
- }
注:这种方案是使用java文件相关操作,将众多的小文件写到一个文件中。
3.2 使用archive工具
[java] view plaincopy
- 创建文件 hadoop archive -archiveName xxx.har -p /src /dest
- 查看内部结构 hadoop fs -lsr /dest/xxx.har
- 查看内容 hadoop fs -lsr har:///dest/xxx.har
3.3 使用SequenceFile或者MapFile(以SequenceFile为例)
提供两种将小文件打成SequenceFile的方法:
方法一:
[java] view plaincopy
- public class WriteSequenceMapReduce {
- // 定义输入路径
- private static final String INPUT_PATH = "hdfs://master:9000/files";
- // 定义输出路径
- private static final String OUT_PATH = "hdfs://master:9000/seq/";
- //定义文件系统
- private static FileSystem fileSystem = null;
- public static void main(String[] args) {
- try {
- // 创建配置信息
- Configuration conf = new Configuration();
- // 创建文件系统
- fileSystem = FileSystem.get(new URI(OUT_PATH), conf);
- // 如果输出目录存在,我们就删除
- if (fileSystem.exists(new Path(OUT_PATH))) {
- fileSystem.delete(new Path(OUT_PATH), true);
- }
- // 创建任务
- Job job = new Job(conf, WriteSequenceMapReduce.class.getName());
- // 1.1 设置输入目录和设置输入数据格式化的类
- FileInputFormat.setInputPaths(job, INPUT_PATH);
- // 1.2 设置自定义Mapper类和设置map函数输出数据的key和value的类型
- job.setMapperClass(WriteSequenceMapper.class);
- // 2.3 指定输出的路径和设置输出的格式化类
- FileOutputFormat.setOutputPath(job, new Path(OUT_PATH));
- // 提交作业 退出
- System.exit(job.waitForCompletion(true) ? 0 : 1);
- } catch (Exception e) {
- e.printStackTrace();
- }
- }
- public static class WriteSequenceMapper extends Mapper<LongWritable, Text, Text, BytesWritable> {
- // 定义SequenceFile.Reader对象用于读文件
- private static SequenceFile.Writer writer = null;
- // 定义配置信息
- private static Configuration conf = null;
- // 定义最终输出的key和value
- private Text outkey = new Text();
- private BytesWritable outValue = new BytesWritable();
- //定义要合并的文件(存放在数组中)
- private FileStatus[] files = null;
- //定义输入流和一个字节数组
- private InputStream inputStream = null;
- private byte[] buffer = null;
- @Override
- protected void setup(Mapper<LongWritable, Text, Text, BytesWritable>.Context context) throws IOException, InterruptedException {
- try {
- // 创建配置信息
- conf = new Configuration();
- // 创建Path对象
- Path path = new Path(INPUT_PATH);
- // 创建SequenceFile.Writer对象,并指定压缩格式
- writer = SequenceFile.createWriter(fileSystem,conf, new Path(OUT_PATH+"/total.seq"), Text.class, BytesWritable.class, CompressionType.BLOCK, new BZip2Codec());
- //writer = SequenceFile.createWriter(fileSystem,conf, new Path(OUT_PATH+"/total.seq"), Text.class, BytesWritable.class);
- //获取要合并的文件数组
- files = fileSystem.listStatus(path);
- } catch (Exception e) {
- e.printStackTrace();
- }
- }
- @Override
- protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, BytesWritable>.Context context) throws IOException, InterruptedException {
- //遍历文件数组
- for (int i=0; i<files.length; i++){
- //将文件名作为输出的key
- outkey.set(files[i].getPath().toString());
- //创建输入流
- inputStream = fileSystem.open(files[i].getPath());
- //创建字节数组
- buffer = new byte[(int) files[i].getLen()];
- //通过工具类将文件读到字节数组中
- IOUtils.readFully(inputStream, buffer, 0, buffer.length);
- //将字节数组中的内容及单个文件的内容作为value输出
- outValue.set(new BytesWritable(buffer));
- //关闭输入流
- IOUtils.closeStream(inputStream);
- //将结果写到Sequencefile中
- writer.append(outkey, outValue);
- }
- //关闭流
- IOUtils.closeStream(writer);
- //System.exit(0);
- }
- }
- }
方法二:自定义InputFormat和RecordReader实现
[java] view plaincopy
- public class WholeFileInputFormat extends FileInputFormat<NullWritable, BytesWritable>{
- @Override
- public RecordReader<NullWritable, BytesWritable> createRecordReader(InputSplit split, TaskAttemptContext context) throws IOException, InterruptedException {
- //创建自定义的RecordReader
- WholeFileRecordReader reader = new WholeFileRecordReader();
- reader.initialize(split, context);
- return reader;
- }
- @Override
- protected boolean isSplitable(JobContext context, Path filename) {
- return false;
- }
- }
[java] view plaincopy
- public class WholeFileRecordReader extends RecordReader<NullWritable, BytesWritable>{
- private FileSplit fileSplit;
- private Configuration conf;
- private BytesWritable value = new BytesWritable();
- private boolean processed = false;
- public void initialize(InputSplit split, TaskAttemptContext context) throws IOException, InterruptedException{
- this.fileSplit = (FileSplit) split;
- this.conf = context.getConfiguration();
- }
- /**
- * process表示记录是否已经被处理过了
- */
- @Override
- public boolean nextKeyValue() throws IOException, InterruptedException {
- if (!processed){
- byte[] contents = new byte[(int) fileSplit.getLength()];
- //获取路径
- Path file = fileSplit.getPath();
- //创建文件系统
- FileSystem fileSystem = file.getFileSystem(conf);
- FSDataInputStream in = null;
- try {
- //打开文件
- in = fileSystem.open(file);
- //将file文件中的内容放入contents数组中。使用了IOUtils工具类的readFully()方法,将in流中的内容读到contents字节数组中
- IOUtils.readFully(in, contents, 0, contents.length);
- //BytesWritable是一个可用做key或value的字节序列,而ByteWritable是单个字节
- //将value的内容设置为contents的值
- value.set(contents, 0, contents.length);
- } catch (Exception e) {
- e.printStackTrace();
- } finally{
- IOUtils.closeStream(in);
- }
- processed = true;
- return true;
- }
- return false;
- }
- @Override
- public NullWritable getCurrentKey() throws IOException, InterruptedException {
- return NullWritable.get();
- }
- @Override
- public BytesWritable getCurrentValue() throws IOException, InterruptedException {
- return value;
- }
- @Override
- public float getProgress() throws IOException, InterruptedException {
- return processed ? 1.0f : 0.0f;
- }
- @Override
- public void close() throws IOException {
- //do nothing
- }
- }
[java] view plaincopy
- public class SmallFilesToSequenceFileConverter {
- // 定义输入路径
- private static final String INPUT_PATH = "hdfs://master:9000/files/*";
- // 定义输出路径
- private static final String OUT_PATH = "hdfs://<span style="font-family: Arial, Helvetica, sans-serif;">master</span>:9000/seq/total.seq";
- public static void main(String[] args) {
- try {
- // 创建配置信息
- Configuration conf = new Configuration();
- // 创建文件系统
- FileSystem fileSystem = FileSystem.get(new URI(OUT_PATH), conf);
- // 如果输出目录存在,我们就删除
- if (fileSystem.exists(new Path(OUT_PATH))) {
- fileSystem.delete(new Path(OUT_PATH), true);
- }
- // 创建任务
- Job job = new Job(conf, SmallFilesToSequenceFileConverter.class.getName());
- //1.1 设置输入目录和设置输入数据格式化的类
- FileInputFormat.addInputPaths(job, INPUT_PATH);
- job.setInputFormatClass(WholeFileInputFormat.class);
- //1.2 设置自定义Mapper类和设置map函数输出数据的key和value的类型
- job.setMapperClass(SequenceFileMapper.class);
- job.setMapOutputKeyClass(Text.class);
- job.setMapOutputValueClass(BytesWritable.class);
- //1.3 设置分区和reduce数量(reduce的数量,和分区的数量对应,因为分区为一个,所以reduce的数量也是一个)
- job.setPartitionerClass(HashPartitioner.class);
- //千万不要有这句话,否则单个小文件的内容会输出到单独的一个Sequencefile文件中(简直内伤)
- //job.setNumReduceTasks(0);
- FileOutputFormat.setOutputPath(job, new Path(OUT_PATH));
- job.setOutputFormatClass(SequenceFileOutputFormat.class);
- // 此处的设置是最终输出的key/value,一定要注意!
- job.setOutputKeyClass(Text.class);
- job.setOutputValueClass(BytesWritable.class);
- // 提交作业 退出
- System.exit(job.waitForCompletion(true) ? 0 : 1);
- } catch (Exception e) {
- e.printStackTrace();
- }
- }
- public static class SequenceFileMapper extends Mapper<NullWritable, BytesWritable, Text, BytesWritable> {
- // 定义文件的名称作为key
- private Text fileNameKey = null;
- /**
- * task调用之前,初始化fileNameKey
- */
- @Override
- protected void setup(Mapper<NullWritable, BytesWritable, Text, BytesWritable>.Context context) throws IOException, InterruptedException {
- // 获取分片
- InputSplit split = context.getInputSplit();
- // 获取输入目录
- Path path = ((FileSplit) split).getPath();
- // 设置fileNameKey
- fileNameKey = new Text(path.toString());
- }
- @Override
- protected void map(NullWritable key, BytesWritable value, Mapper<NullWritable, BytesWritable, Text, BytesWritable>.Context context) throws IOException,
- InterruptedException {
- // 将fileNameKey作为输出的key(文件名),value作为输出的value(单个小文件的内容)
- System.out.println(fileNameKey.toString());
- context.write(fileNameKey, value);
- }
- }
- }
注:方法二的这三个类可以实现将小文件写到一个SequenceFile中。
读取SequenceFile文件:
[java] view plaincopy
- public class ReadSequenceMapReduce {
- // 定义输入路径
- private static final String INPUT_PATH = "hdfs://master:9000/seq/total.seq";
- // 定义输出路径
- private static final String OUT_PATH = "hdfs://<span style="font-family: Arial, Helvetica, sans-serif;">master</span>:9000/seq/out";
- //定义文件系统
- private static FileSystem fileSystem = null;
- public static void main(String[] args) {
- try {
- // 创建配置信息
- Configuration conf = new Configuration();
- // 创建文件系统
- fileSystem = FileSystem.get(new URI(OUT_PATH), conf);
- // 如果输出目录存在,我们就删除
- if (fileSystem.exists(new Path(OUT_PATH))) {
- fileSystem.delete(new Path(OUT_PATH), true);
- }
- // 创建任务
- Job job = new Job(conf, ReadSequenceMapReduce.class.getName());
- // 1.1 设置输入目录和设置输入数据格式化的类
- FileInputFormat.setInputPaths(job, INPUT_PATH);
- // 这个很重要,指定使用SequenceFileInputFormat类来处理我们的输入文件
- job.setInputFormatClass(SequenceFileInputFormat.class);
- // 1.2 设置自定义Mapper类和设置map函数输出数据的key和value的类型
- job.setMapperClass(ReadSequenceMapper.class);
- job.setMapOutputKeyClass(Text.class);
- job.setMapOutputValueClass(Text.class);
- // 1.3 设置分区和reduce数量
- job.setPartitionerClass(HashPartitioner.class);
- job.setNumReduceTasks(0);
- // 最终输出的类型
- job.setOutputKeyClass(Text.class);
- job.setOutputValueClass(Text.class);
- // 2.3 指定输出的路径和设置输出的格式化类
- FileOutputFormat.setOutputPath(job, new Path(OUT_PATH));
- job.setOutputFormatClass(TextOutputFormat.class);
- // 提交作业 退出
- System.exit(job.waitForCompletion(true) ? 0 : 1);
- } catch (Exception e) {
- e.printStackTrace();
- }
- }
- public static class ReadSequenceMapper extends Mapper<Text, BytesWritable, Text, Text> {
- //定义SequenceFile.Reader对象用于读文件
- private static SequenceFile.Reader reader = null;
- //定义配置信息
- private static Configuration conf = null;
- //定义最终输出的value
- private Text outValue = new Text();
- /**
- * 在setUp()函数中初始化相关对象
- */
- @Override
- protected void setup(Mapper<Text, BytesWritable, Text, Text>.Context context) throws IOException, InterruptedException {
- try {
- // 创建配置信息
- conf = new Configuration();
- // 创建文件系统
- //FileSystem fs = FileSystem.get(new URI(INPUT_PATH), conf);
- // 创建Path对象
- Path path = new Path(INPUT_PATH);
- // 创建SequenceFile.Reader对象
- reader = new SequenceFile.Reader(fileSystem, path, conf);
- } catch (Exception e) {
- e.printStackTrace();
- }
- }
- @Override
- protected void map(Text key, BytesWritable value, Mapper<Text, BytesWritable, Text, Text>.Context context) throws IOException, InterruptedException {
- if (!"".equals(key.toString()) && !"".equals(value.get())){
- //设置输出的value
- outValue.set(new String(value.getBytes(), 0, value.getLength()));
- //把结果写出去
- context.write(key, outValue);
- }
- }
- }
- }
3.4 使用CombineFileInputFormat
详细内容见:http://shiyanjun.cn/archives/299.html