浅谈 hadoop 文件合并

众所周知，Hadoop对处理单个大文件比处理多个小文件更有效率，另外单个文件也非常占用HDFS的存储空间。所以往往要将其合并起来。

1，getmerge

hadoop有一个命令行工具getmerge，用于将一组HDFS上的文件复制到本地计算机以前进行合并

参考：http://hadoop.apache.org/common/docs/r0.19.2/cn/hdfs_shell.html

使用方法：hadoop fs -getmerge <src> <localdst> [addnl]

接受一个源目录和一个目标文件作为输入，并且将源目录中所有的文件连接成本地目标文件。addnl是可选的，用于指定在每个文件结尾添加一个换行符。

多嘴几句：调用文件系统(FS)Shell命令应使用 bin/hadoop fs <args>的形式。 所有的的FS shell命令使用URI路径作为参数。URI格式是scheme://authority/path。

2.putmerge

将本地小文件合并上传到HDFS文件系统中。

一种方法可以现在本地写一个脚本，先将一个文件合并为一个大文件，然后将整个大文件上传，这种方法占用大量的本地磁盘空间；

另一种方法如下，在复制的过程中上传。参考：《hadoop in action》

[java]  view plain copy

1. import java.io.IOException;  
2.   
3. import org.apache.hadoop.conf.Configuration;  
4. import org.apache.hadoop.fs.FSDataInputStream;  
5. import org.apache.hadoop.fs.FSDataOutputStream;  
6. import org.apache.hadoop.fs.FileStatus;  
7. import org.apache.hadoop.fs.FileSystem;  
8. import org.apache.hadoop.fs.Path;  
9. import org.apache.hadoop.io.IOUtils;  
10.   
11. //参数1为本地目录，参数2为HDFS上的文件  
12. public class PutMerge {  
13.       
14.     public static void putMergeFunc(String LocalDir, String fsFile) throws IOException  
15.     {  
16.         Configuration  conf = new Configuration();  
17.         FileSystem fs = FileSystem.get(conf);       //fs是HDFS文件系统  
18.         FileSystem local = FileSystem.getLocal(conf);   //本地文件系统  
19.           
20.         Path localDir = new Path(LocalDir);  
21.         Path HDFSFile = new Path(fsFile);  
22.           
23.         FileStatus[] status =  local.listStatus(localDir);  //得到输入目录  
24.         FSDataOutputStream out = fs.create(HDFSFile);       //在HDFS上创建输出文件  
25.           
26.         for(FileStatus st: status)  
27.         {  
28.             Path temp = st.getPath();  
29.             FSDataInputStream in = local.open(temp);  
30.             IOUtils.copyBytes(in, out, 4096, false);    //读取in流中的内容放入out  
31.             in.close(); //完成后，关闭当前文件输入流  
32.         }  
33.         out.close();  
34.     }  
35.     public static void main(String [] args) throws IOException  
36.     {  
37.         String l = "/home/kqiao/hadoop/MyHadoopCodes/putmergeFiles";  
38.         String f = "hdfs://ubuntu:9000/user/kqiao/test/PutMergeTest";  
39.         putMergeFunc(l,f);  
40.     }  
41. }  

3.将小文件打包成SequenceFile的MapReduce任务

来自：《hadoop权威指南》

实现将整个文件作为一条记录处理的InputFormat:

[java]  view plain copy

1. public class WholeFileInputFormat  
2.     extends FileInputFormat<NullWritable, BytesWritable> {  
3.     
4.   @Override  
5.   protected boolean isSplitable(JobContext context, Path file) {  
6.     return false;  
7.   }  
8.   
9.   @Override  
10.   public RecordReader<NullWritable, BytesWritable> createRecordReader(  
11.       InputSplit split, TaskAttemptContext context) throws IOException,  
12.       InterruptedException {  
13.     WholeFileRecordReader reader = new WholeFileRecordReader();  
14.     reader.initialize(split, context);  
15.     return reader;  
16.   }  
17. }  

实现上面类中使用的定制的RecordReader:

[java]  view plain copy

1. /实现一个定制的RecordReader，这六个方法均为继承的RecordReader要求的虚函数。  
2. //实现的RecordReader，为自定义的InputFormat服务  
3. public class WholeFileRecordReader extends RecordReader<NullWritable, BytesWritable>{  
4.   
5.     private FileSplit fileSplit;  
6.     private Configuration conf;  
7.     private BytesWritable value = new BytesWritable();  
8.     private boolean processed = false;  
9.     @Override  
10.     public void close() throws IOException {  
11.         // do nothing  
12.     }  
13.   
14.     @Override  
15.     public NullWritable getCurrentKey() throws IOException,  
16.             InterruptedException {  
17.         return NullWritable.get();  
18.     }  
19.   
20.     @Override  
21.     public BytesWritable getCurrentValue() throws IOException,  
22.             InterruptedException {  
23.         return value;  
24.     }  
25.   
26.     @Override  
27.     public float getProgress() throws IOException, InterruptedException {  
28.         return processed? 1.0f : 0.0f;  
29.     }  
30.   
31.     @Override  
32.     public void initialize(InputSplit split, TaskAttemptContext context)  
33.             throws IOException, InterruptedException {  
34.         this.fileSplit = (FileSplit) split;  
35.         this.conf = context.getConfiguration();  
36.     }  
37.   
38.     //process表示记录是否已经被处理过  
39.     @Override  
40.     public boolean nextKeyValue() throws IOException, InterruptedException {  
41.         if (!processed) {  
42.             byte[] contents = new byte[(int) fileSplit.getLength()];  
43.             Path file = fileSplit.getPath();  
44.             FileSystem fs = file.getFileSystem(conf);  
45.             FSDataInputStream in = null;  
46.             try {  
47.               in = fs.open(file);  
48.                               //将file文件中 的内容放入contents数组中。使用了IOUtils实用类的readFully方法，将in流中得内容放入  
49.               //contents字节数组中。  
50.               IOUtils.readFully(in, contents, 0, contents.length);  
51.               //BytesWritable是一个可用做key或value的字节序列，而ByteWritable是单个字节。  
52.                                 //将value的内容设置为contents的值  
53.               value.set(contents, 0, contents.length);  
54.             } finally {  
55.               IOUtils.closeStream(in);  
56.             }  
57.             processed = true;  
58.             return true;  
59.           }  
60.           return false;  
61.     }  
62. }  

将小文件打包成SequenceFile:

[java]  view plain copy

1. public class SmallFilesToSequenceFileConverter extends Configured implements Tool{  
2.   
3.     //静态内部类，作为mapper  
4.     static class SequenceFileMapper extends Mapper<NullWritable, BytesWritable, Text, BytesWritable>  
5.     {  
6.         private Text filenameKey;  
7.           
8.         //setup在task开始前调用，这里主要是初始化filenamekey  
9.         @Override  
10.         protected void setup(Context context)  
11.         {  
12.             InputSplit split = context.getInputSplit();  
13.             Path path = ((FileSplit) split).getPath();  
14.             filenameKey = new Text(path.toString());  
15.         }  
16.         @Override  
17.         public void map(NullWritable key, BytesWritable value, Context context)  
18.                 throws IOException, InterruptedException{  
19.             context.write(filenameKey, value);  
20.         }  
21.     }  
22.   
23.     @Override  
24.     public int run(String[] args) throws Exception {  
25.         Configuration conf = new Configuration();  
26.         Job job = new Job(conf);  
27.         job.setJobName("SmallFilesToSequenceFileConverter");  
28.           
29.         FileInputFormat.addInputPath(job, new Path(args[0]));  
30.         FileOutputFormat.setOutputPath(job, new Path(args[1]));  
31.           
32.         //再次理解此处设置的输入输出格式。。。它表示的是一种对文件划分，索引的方法  
33.         job.setInputFormatClass(WholeFileInputFormat.class);  
34.         job.setOutputFormatClass(SequenceFileOutputFormat.class);  
35.           
36.         //此处的设置是最终输出的key/value，一定要注意！  
37.         job.setOutputKeyClass(Text.class);  
38.         job.setOutputValueClass(BytesWritable.class);  
39.           
40.         job.setMapperClass(SequenceFileMapper.class);  
41.           
42.         return job.waitForCompletion(true) ? 0 : 1;  
43.     }  
44.       
45.     public static void main(String [] args) throws Exception  
46.     {  
47.         int exitCode = ToolRunner.run(new SmallFilesToSequenceFileConverter(), args);  
48.         System.exit(exitCode);  
49.     }  
50. }