上传文件到HDFS

hadoop计算需要在hdfs文件系统上进行，文件上传到hdfs上通常有三种方法：a hadoop自带的dfs服务，put；b hadoop的API，Writer对象可以实现这一功能；c 调用OTL可执行程序，数据从数据库直接进入hadoop   hadoop计算需要在hdfs文件系统上进行，因此每次计算之前必须把需要用到的文件(我们称为原始文件)都上传到hdfs上。文件上传到hdfs上通常有三种方法：     a hadoop自带的dfs服务，put；     b hadoop的API，Writer对象可以实现这一功能；     c 调用OTL可执行程序，数据从数据库直接进入hadoop   由于存在ETL层，因此第三种方案不予考虑   将a、b方案进行对比，如下：     1 空间：方案a在hdfs上占用空间同本地，因此假设只上传日志文件，则保存一个月日志文件将消耗掉约10T空间，如果加上这期间的各种维表、事实表，将占用大约25T空间                   方案b经测试，压缩比大约为3~4:1，因此假设hdfs空间为100T，原来只能保存约4个月的数据，现在可以保存约1年     2 上传时间：方案a的上传时间经测试，200G数据上传约1小时                             方案b的上传时间，程序不做任何优化，大约是以上的4~6倍，但存在一定程度提升速度的余地     3 运算时间：经过对200G数据，大约4亿条记录的测试，如果程序以IO操作为主，则压缩数据的计算可以提高大约50%的速度，但如果程序以内存操作为主，则只能提高5%~10%的速度     4 其它：未压缩的数据还有一个好处是可以直接在hdfs上查看原始数据。压缩数据想看原始数据只能用程序把它导到本地，或者利用本地备份数据     压缩格式：按照hadoop api的介绍，压缩格式分两种：BLOCK和RECORD,其中RECORD是只对value进行压缩，一般采用BLOCK进行压缩。     对压缩文件进行计算，需要用SequenceFileInputFormat类来读入压缩文件，以下是计算程序的典型配置代码： JobConf conf = new JobConf(getConf(), log.class);     conf.setJobName(”log”);     conf.setOutputKeyClass(Text.class);//set the map output key type     conf.setOutputValueClass(Text.class);//set the map output value type     conf.setMapperClass(MapClass.class);     //conf.setCombinerClass(Reduce.class);//set the combiner class ,if havenot, use Recuce class for default     conf.setReducerClass(Reduce.class);     conf.setInputFormat(SequenceFileInputFormat.class);//necessary if use compress     接下来的处理与非压缩格式的处理一样 本文出自：http://rdc.taobao.com/blog/dw/archives/207