1.概述
小文件是指文件size小于HDFS上block大小的文件。这样的文件会给hadoop的扩展性和性能带来严重问题。首先,在HDFS中,任何block,文件或者目录在内存中均以对象的形式存储,每个对象约占150byte,如果有1千万个小文件,每个文件占用一个block,则NameNode大约需要2G空间。如果存储一亿个文件,则NameNode需要20G空间。这样NameNode内存容量严重制约了集群的扩展。其次,访问大量小文件速度远远小于访问几个大文件。HDFS最初是为流式访问大文件开发的,如果访问大量小文件,需要不断的从一个DataNode跳到另外一个DataNode,严重影响性能。最后,处理大量小文件速度远远小于处理同等大小的大文件的速度。每一个小文件要占用一个slot,而task启动将耗费大量时间甚至大部分时间都耗费在启动task和释放task上。
2.HDFS文件读写流程
在正式介绍HDFS小文件存储方案之前,我们先介绍一下当前HDFS上文件存取的基本流程。
2.1 读文件流程
A.client端发送读文件请求给NameNode,如果文件不存在,返回错误信息,否则,将该文件对应的block机器所在DataNode位置发送给client。
B.client收到文件位置信息后,与不同DataNode建立socket连接并行获取数据。
2.2 写文件流程
A.client端发送写文件请求,NameNode检查文件是否存在,如果已经存在,直接返回错误信息,否则,发送给client一些可用节点。
B.client将文件分块,并行存储到不同DataNode节点上,发送完成以后,client同时发送信息给NameNode和DataNode。
C.NameNode收到client的信息后,发送信息给DataNode。
D.DataNode同时收到NameNode和DataNode的确认信息后,提交写操作。
3 解决小文件的方案
3.1 编写应用程序实现
public class AppForSmallFile {
//定义文件读取的路径
private static final String OUTPATH = "hdfs://liaozhongmin:9000";
public static void main(String[] args) {
//定义FSDataOutputStream对象
FSDataOutputStream fsDataoutputStream = null;
//定义输入流读文件
InputStreamReader inputStreamReader = null;
try {
//创建合并后文件存储的的路径
Path path = new Path(OUTPATH + "/combinedFile");
//创建FSDataOutputStream对象
fsDataoutputStream = FileSystem.get(path.toUri(), new Configuration()).create(path);
//创建要合并的小文件路径
File sourceDir = new File("C:\\Windows\\System32\\drivers\\etc");
//遍历小文件
for (File fileName : sourceDir.listFiles()){
//创建输入流
//fileInputStream = new FileInputStream(fileName.getAbsolutePath());
//只有这样才可以制定字符编码(没办法,Window是默认GBK的,Hadoop是默认UTF-8的,所以读的时候就会乱码)
inputStreamReader = new InputStreamReader(new FileInputStream(fileName), "gbk");
//一行一行的读取
List<String> readLines = IOUtils.readLines(inputStreamReader);
//然后再写出去
for (String line : readLines){
//写入一行
fsDataoutputStream.write(line.getBytes());
//写入一个换行符
fsDataoutputStream.write("\n".getBytes());
}
}
System.out.println("合并成功");
} catch (Exception e) {
e.printStackTrace();
} finally{
try {
inputStreamReader.close();
fsDataoutputStream.close();
} catch (IOException e) {
e.printStackTrace();
}
}
}
}
注:这种方案是使用java文件相关操作,将众多的小文件写到一个文件中。