小文件: 是那些size比HDFS的block size(默认128M)小的多的文件
因为: 任何一个文件,目录和block,在HDFS中都会被表示为一个object存储在namenode的内存中,每一个object占用150 bytes的内存空间。
如果有10million个文件,每一个文件对应一个block,那么就将要消耗namenode 3G的内存来保存这些block的信息。文件在大的话,对内存要求会更多。
1 合并小文件方式:
a) 应用程序自己控制, 缺点是: 各类数据都混合在一起,以后无法区分
import java.io.File;
import java.io.FileInputStream;
import java.net.URI;
import java.util.List;
import org.apache.commons.io.IOUtils;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataOutputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
public class CopyOfApp1 {
public static void main(String[] args) throws Exception {
// 0 初始化filesystem客户端
final Configuration conf = new Configuration();
final FileSystem fileSystem = FileSystem.get(new URI("hdfs://chinadaas109:9000/"), conf);
System.out.println(fileSystem);
final Path path = new Path("/combinedfile");
final FSDataOutputStream create = fileSystem.create(path); // hdfs创建目标文件
final File dir = new File("/data/input"); // 将此文件夹下的内容写到hdfs path中
for(File fileName : dir.listFiles()) {
System.out.println(fileName.getAbsolutePath());
final FileInputStream fileInputStream = new FileInputStream(fileName.getAbsolutePath());
final List<String> readLines = IOUtils.readLines(fileInputStream);
for (String line : readLines) {
create.write(line.getBytes());
}
fileInputStream.close();
}
create.close();
}
b) archive,归档历史小文件
HAR文件是通过在HDFS上构建一个层次化的文件系统来工作。
一个HAR文件是通过hadoop的archive命令来创建,而这个命令实际上也是运行了一个MapReduce任务来将小文件打包成HAR。
对于client端来说,使用HAR文件没有任何影响。所有的原始文件都(usinghar://URL)。但在HDFS端它内部的文件数减少了。
过HAR来读取一个文件并不会比直接从HDFS中读取文件高效,
而且实际上可能还会稍微低效一点,因为对每一个HAR文件的访问都需要完成两层index文件的读取和文件本身数据的读取。
并且尽管HAR文件可以被用来作为MapReducejob的input,但是并没有特殊的方法来使maps将HAR文件中打包的文件当作一个HDFS文件处理。
创建文件hadooparchive-archiveNamexxx.har-p/src/dest
c) sequence file/map file
sequence file:filename作为key,file contents作为value
比如10000个100KB的文件,可以写一个程序来将这些小文件写入到一个单独的 SequenceFile中。
可以在一个streaming fashion(directly or using mapreduce)中来使用这个sequenceFile。
并且,SequenceFiles也是splittable的,所以mapreduce 可以break them into chunks,并且分别的被独立的处理。
这种方式还支持压缩。
import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.SequenceFile;
import org.apache.hadoop.io.SequenceFile.CompressionType;
import org.apache.hadoop.io.SequenceFile.Reader;
import org.apache.hadoop.io.SequenceFile.Writer;
import org.apache.hadoop.io.Text;
public class TestSequenceFile {
/**
* @param args
* @throws IOException
*/
public static void main(String[] args) throws IOException {
// // TODO Auto-generated method stub
Configuration conf = new Configuration();
Path seqFile = new Path("/test/seqFile2.seq");
// Writer内部类用于文件的写操作,假设Key和Value都为Text类型
SequenceFile.Writer writer = SequenceFile.createWriter(conf,
Writer.file(seqFile), Writer.keyClass(Text.class),
Writer.valueClass(Text.class),
Writer.compression(CompressionType.NONE));
// 通过writer向文档中写入记录
writer.append(new Text("key"), new Text("value"));
IOUtils.closeStream(writer);// 关闭write流
// 通过reader从文档中读取记录
SequenceFile.Reader reader = new SequenceFile.Reader(conf,
Reader.file(seqFile));
Text key = new Text();
Text value = new Text();
while (reader.next(key, value)) {
System.out.println(key);
System.out.println(value);
}
IOUtils.closeStream(reader);// 关闭read流
}
}