1. HDFS对大量小文件的缺点
通常,HDFS (hdfs://node14:9000/user/hadoop/inputDir) 的文件以block方式存放,block的metadata被放在NameNode的内存中. 这样,a large number of samll files can eat up a lot of memory on the NameNode
2.Hadoop Archives
HAR files, are a file archiving facility that packs files into HDFS blocks more efficiently, thereby reducing NameNode memory usage while still allowing transparent access to files. In particular, Hadoop Archives can be used as input to MapReduce.
hadoop jar hadoop-examples.jar wordcount -files cachefile.txt -libjars mylib.jar -archives myarchive.zip input output
myarchive.zip will be placed and unzipped into a directory by the name "myarchive.zip"
hadoop jar hadoop-examples.jar wordcount -files dir1/dict.txt#dict1,dir2/dict.txt#dict2 -archives mytar.tgz#tgzdir input output
the files dir1/dict.txt and dir2/dict.txt can be accessed by tasks using the symbolic names dict1 and dict2 respectively. And the archive mytar.tgz will be placed and unarchived into a directory by the name tgzdir
操作实例:
[hadoop@node14 app]$ hadoop fs -ls
Found 2 items
-rw-r--r-- 2 hadoop supergroup 26726 2012-05-09 17:10 /user/hadoop/input.txt
drwxr-xr-x - hadoop supergroup 0 2012-05-09 17:11 /user/hadoop/outputDir1
[hadoop@node14 app]$ hadoop fs -mkdir archiveDir
[hadoop@node14 app]$ hadoop archive -archiveName pack1.har -p /user/hadoop input.txt outputDir1 archiveDir //这是一个MapReduce job
[hadoop@node14 app]$ hadoop fs -lsr har:///user/hadoop/archiveDir/pack1.har
drwxr-xr-x - hadoop supergroup 0 2012-05-10 10:35 /user/hadoop/archiveDir/pack1.har/outputDir1
-rw-r--r-- 2 hadoop supergroup 0 2012-05-10 10:35 /user/hadoop/archiveDir/pack1.har/outputDir1/_SUCCESS
-rw-r--r-- 2 hadoop supergroup 17516 2012-05-10 10:35 /user/hadoop/archiveDir/pack1.har/outputDir1/part-r-00000
-rw-r--r-- 2 hadoop supergroup 26726 2012-05-10 10:35 /user/hadoop/archiveDir/pack1.har/input.txt
[hadoop@node14 app]$ hadoop fs -cat har:///user/hadoop/archiveDir/pack1.har/outputDir1/part-r-00000 //cat 文件内容
文摘
(1)什么是Hadoop archives?
Hadoop archives是特殊的档案格式。一个Hadoop archive对应一个文件系统目录。 Hadoop archive的扩展名是*.har。Hadoop archive包含元数据(形式是_index和_masterindx)和数据(part-*)文件。_index文件包含了档案中的文件的文件名和位置信息。
(2)如何创建archive?
用法: hadoop archive -archiveName name <src>* <dest>
由-archiveName选项指定你要创建的archive的名字。比如foo.har。archive的名字的扩展名应该是*.har。输入是文件系统的路径名,路径名的格式和平时的表达方式一样。创建的archive会保存到目标目录下。注意创建archives是一个Map/Reduce job。你应该在map reduce集群上运行这个命令。下面是一个例子:
hadoop archive -archiveName foo.har /user/hadoop/dir1 /user/hadoop/dir2 /user/zoo/
在上面的例子中, /user/hadoop/dir1 和 /user/hadoop/dir2 会被归档到这个文件系统目录下 -- /user/zoo/foo.har。当创建archive时,源文件不会被更改或删除。
(3)如何查看archives中的文件?
archive作为文件系统层暴露给外界。所以所有的fs shell命令都能在archive上运行,但是要使用不同的URI。 另外,archive是不可改变的。所以重命名,删除和创建都会返回错误。Hadoop Archives 的URI是
har://scheme-hostname:port/archivepath/fileinarchive
如果没提供scheme-hostname,它会使用默认的文件系统。这种情况下URI是这种形式
har:///archivepath/fileinarchive
这是一个archive的例子。archive的输入是/dir。这个dir目录包含文件filea,fileb。 把/dir归档到/user/hadoop/foo.bar的命令是
hadoop archive -archiveName foo.har /dir /user/hadoop
获得创建的archive中的文件列表,使用命令
hadoop dfs -lsr har:///user/hadoop/foo.har
查看archive中的filea文件的命令-
hadoop dfs -cat har:///user/hadoop/foo.har/dir/filea
原文出自: http://blog.csdn.net/amaowolf/article/details/7552947