合并本地或hdfs上的小文件

众所周知，HDFS中过多的小文件，会给NameNode造成很大的压力，所谓的小文件，是指远远小于文件块大小的文件。

在使用HDFS的过程中，应尽量避免生成过多的小文件。

本文以TextFile为例，介绍一下从本地–>HDFS、HDFS–>本地、以及HDFS–>HDFS的文件上传下载移动过程中，对小文件的合并方法。

将本地的小文件合并，上传到HDFS

假设存放在本地的数据由很多个小文件组成，需要上传到HDFS。一般的做法是在本地使用脚本、程序先把小文件合并后再上传。

其实没有必要，HDFS中提供了一个很有用的命令 appendToFile，就可以解决这个问题。

假设本地有两个小文件1.txt和2.txt，里面内容如下：

[fuyun@bigdata-client-01 data]$ cat 1.txt
111111
111111
111111
111111
111111
111111

[fuyun@bigdata-client-01 data]$ cat 1.txt
222222
222222
222222
222222
222222
222222

使用下面的命令，可以将1.txt和2.txt合并，并上传到HDFS：

[fuyun@bigdata-client-01 data]$ hdfs dfs -appendToFile 1.txt 2.txt hdfs://hacluster/user/hive/warehouse/dw_tmp.db/fuyun12.txt
[fuyun@bigdata-client-01 data]$ hdfs dfs -cat hdfs://hacluster/user/hive/warehouse/dw_tmp.db/fuyun12.txt
111111
111111
111111
111111
111111
111111
222222
222222
222222
222222
222222
222222

下载HDFS的小文件到本地，合并成一个大文件

假设在HDFS的hdfs://hacluster/user/hive/warehouse/dw_tmp.db/目录下，有两个小文件1.txt和2.txt

需要将它们下载到本地的一个文件中。

[fuyun@bigdata-client-01 data]$ hdfs dfs -cat hdfs://hacluster/user/hive/warehouse/dw_tmp.db/1.txt
111111
111111
111111
111111
111111
111111
[fuyun@bigdata-client-01 data]$ hdfs dfs -cat hdfs://hacluster/user/hive/warehouse/dw_tmp.db/2.txt
222222
222222
222222
222222
222222
222222

使用下面的命令：

[fuyun@bigdata-client-01 data]$ hdfs dfs -getmerge hdfs://hacluster/user/hive/warehouse/dw_tmp.db/?.txt local_largefile.txt
[fuyun@bigdata-client-01 data]$ cat local_largefile.txt
111111
111111
111111
111111
111111
111111
222222
222222
222222
222222
222222
222222 

合并HDFS上的小文件

如果需要合并HDFS上的某个目录下有很多小文件，可以尝试使用下面的命令：

[fuyun@bigdata-client-01 data]$ hdfs dfs -cat hdfs://hacluster/user/hive/warehouse/dw_tmp.db/?.txt | hdfs dfs -appendToFile - hdfs://hacluster/user/hive/warehouse/dw_tmp.db/hdfs_largefile.txt
[fuyun@bigdata-client-01 data]$ hdfs dfs -cat hdfs://hacluster/user/hive/warehouse/dw_tmp.db/hdfs_largefile.txt
111111
111111
111111
111111
111111
111111
222222
222222
222222
222222
222222
222222

注意： 这种处理方法在数据量非常大的情况下可能不太适合，最好使用MapReduce来合并。