HDFS技术之SequenceFile（九）

1. SequenceFile概述

1. SequenceFile是Hadoop提供的一种对二进制文件的支持，二进制文件直接将<Key, Value>对序列化到文件中。
2. HDFS文件系统是适合存储大文件的，小文件多的话会对NN造成很大的压力，因为每一个文件都会有一条元数据信息存储在NN上，所以可以通过SequenceFile将小文件合并起来，可以更高效率的存储和计算。
3. SequenceFile中的key和value可以是任意类型的Writable或者自定义的Writable类型。
4. SequenceFile文件并不按照其存储的Key进行排序存储，SequenceFile的内部类Writer提供了append功能。
5. 在存储结构上，SequenceFile主要由一个Header后跟多条Record组成，Header主要包含了，key和value的类名，存储压缩算法，用户自定义元数据等信息。此外，还包含了一些同步标识，用于快速定位到记录的边界。每条Record以键值对的方式进行存储，用来表示它的字符数组可以一次解析成：记录的长度、Key的长度、Key值和value值，并且Value值的结构取决于该记录是否被压缩。

2. SequenceFile优缺点介绍

2.1 SequenceFile优点

2.1.1 支持压缩

1. 记录（Record）压缩

记录压缩格式与无压缩格式基本相同，不同的是值字节是用定义在头部的编码器来压缩。

2. 块（Block）压缩

块压缩一次压缩多个记录，因此它比记录压缩更紧凑，而且一般优先选择。当记录的字节数达到最小大小，才会添加到块。该最小值由io.seqfile.compress.blocksize中的属性定义。默认值是1000000字节。格式为记录数、键长度、键、值长度、值。

3. 无压缩类型

如果没有启动压缩（默认设置），那么每个记录就由它的记录长度（字节数）、键的长度、键和值组成，长度字段为4个字节。

下图为SequenceFile内部结构图：
Record针对压缩，只压缩Value部分不压缩key；Block对Key和Value都压缩。

2.1.2 本地化任务支持

因为文件可以被切分，因此在运行MapReduce任务时数据的本地化情况应该是非常好的，尽可能多地发起Map Task来进行并行处理进而提高作业的执行效率。

2.1.3 难度低

因为Hadoop框架提供API，业务逻辑的修改比较简单。

2.2 SequenceFile缺点

需要一个合并文件的过程，且合并后的文件不方便查看。

3. SequenceFile写操作

3.1 写操作实现步骤

1. 设置Configuration
2. 获取FileSystem
3. 设置文件输出路径
4. SequenceFile.createWriter()创建SequenceFile.Write写入
5. 调用SequenceFile.Write.append追加写入
6. 关闭流

3.2 写操作代码实现

前面提到过的VM options参数，继续设置上。

代码实现：

package Sequence;


import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.SequenceFile;
import org.apache.hadoop.io.Text;

import java.net.URI;


public class SequenceFileWriter {
   
    private static Configuration configuration = new Configuration();
    private static String HDFS_PATH = "hdfs://master002:9000";
    private static String[] data = {
   "a,b,c,d,e,f,g","e,f,g,h,j,k","l,m,n,o,p,q,r,s","t,y,v,w,x,y,z"};

    public static void main(String[] args) throws  Exception {
   
        System.setProperty