Hadoop 存储占用分析命令，查看 Hdfs 文件夹占用大小

兼职公司 Hadoop 运维之后，经常要解决 Hdfs 空间占用的问题，不知道哪天谁又在集群上留下一大堆缓存文件也不清掉，Hadoop 本身默认就是三副本，人一多每个人留一点结果占用了一堆的存储空间。

在 Linux 上游 du 这个指令可以很轻松的结合 sort 对文件夹的大小进行排序，分析，如下：

du -smh * | sort -h

[root@hadoop101 opt]# du -smh * | sort -h
154M	rh
1.2G	software
14G	module

在 Hdfs 上也支持使用 du 进行文件大小的分析，但是套用上面的模式，就会有些不兼容，所以我对这个指令的结果进行一定的处理，可以得到和上面一样的效果，在此记录一下供大家参考，具体的脚本如下。

脚本名：./analyze_hdfs_files.sh

#!/bin/bash
hadoop fs -du -h ${1:?} | grep -E "M|G|T" | awk '{print $1$2"\t"$3$4"\t"$5}' | sort -h

• 案例

例如：我想看一下 Hive 数据库下哪一个库，以及哪一个表的占用最大，可以像下面这样处理：

[root@hadoop101 opt]$ ./analyze_hdfs_files.sh /user/hive/warehouse
4.2T    12.8T   /user/hive/warehouse/tmp_table.db
9.0T    27.0T   /user/hive/warehouse/dws_table.db
161.2T  491.8T  /user/hive/warehouse/dw_table.db
228.0T  691.7T  /user/hive/warehouse/ods_table.db

可以看到 ods_table.db 数据库下的表是最大的，具体是哪一张表呢，可以继续深入：

[sunkangkang@fmidcslave01 scripts]$ ./analyze_hdfs_files.sh /user/hive/warehouse/ods_table.db | tail -3
189.8G  569.3G  /user/hive/warehouse/ods_table.db/ods_status_change
430.3G  1.3T    /user/hive/warehouse/ods_table.db/ods_locations
160.6T  481.7T  /user/hive/warehouse/ods_table.db/ods_log

这样就可以查到具体哪一张表的占用最大，类似的想要看哪个用户的存储占用，可以分析 /user 路线下的占用情况，而且这个脚本也可以兼容不同量级的存储大小，进行排序的时候，KB、MB、GB、TB 也是按顺序进行排列的。