hadoop归档命令archive

hadoop命令：archive
hadoop版本：2.6.0
官方链接：
https://hadoop.apache.org/docs/r2.6.0/hadoop-mapreduce-client/hadoop-mapreduce-client-core/HadoopArchives.html#Overview

一. 引

hadoop不适合小文件的存储，小文件本省就占用了很多的metadata，就会造成namenode越来越大。Hadoop Archives的出现视为了缓解大量小文件消耗namenode内存的问题。

采用ARCHIVE 不会减少 文件存储大小，只会压缩NAMENODE 的空间使用

二. 什么是存档文件

hadoop存档是特殊格式的存档。该文件总是带有*.har扩展名的目录。目录下包含元数据（_index和_masterindex）和数据部分（part-*）

三. hadoop archive命令

1. 创建一个存档文件

创建一个归档文件的过程是一个MR作业，创建时使用如下命令

hadoop archive -archiveName name -p <parent> [-r <replication factor>] <src>* <dest>

• name：指定存档文件名，其名应该以*.har为后缀。
• -p ：表示父目录，指定该参数后，后面的src可使用相对路径。dest使用相对路径时，其相对基础目录为计算用户目录而非-p指定的目录。
• -r 指示所需的复制因子;如果未指定此可选参数，则使用10的复制因子。所谓复制因子即为map任务的个数。
• src：源路径：可以指定指定一个，也可以指定多个，空格分隔
• dest：目标路径：最后一个路径为存放路径。

举个栗子，执行以下命令：hadoop archive -D HADOOP_USER_NAME=ochadoop -archiveName test.har -p /zpy/test hive hvie表示打包后的文件名为test.har，源文件路径为/zpy/test/hive下的所有文件，目标路径为/user/ochadoop/hvie，复制因子为3。

源目录：

生成目录：

归档并不会删除源文件。

2. 查看har文件

har文件采用一套不同于hdfs的路径协议。基本格式为：har://<hdfs路径>。在未添加协议url时，我们看到的是har文件在HDFS中的底层形式，加上协议头后我们可以看到其目录结构与源目录结构相同。

hadoop fs -ls -R har:///user/ochadoop/hvie/test.har

针对har文件的复制等操作同普通复制操作，唯一区别在于需要在路径头加协议。