Hadoop对小文件的解决方案

矫情吗;* 2024-02-19 19:27 10阅读 0赞

一:小文件概念

指的是那些size比HDFS的block size(默认64M)小的多的文件。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。所以,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。如果规模再大一些,那么将会超出现阶段计算机硬件所能满足的极限。
控制小文件的方法有:
1、应用程序自己控制
2、archive
3、Sequence File / Map File
4、CombineFileInputFormat
*
5、合并小文件,如HBase部分的compact**

1、应用程序自己控制

  1. final Path path = new Path("/combinedfile");
  2. final FSDataOutputStream create = fs.create(path);
  3. final File dir = new File("C:\\Windows\\System32\\drivers\\etc");
  4. for(File fileName : dir.listFiles())
  5. {
  6. System.out.println(fileName.getAbsolutePath());
  7. final FileInputStream fileInputStream = new
  8. FileInputStream(fileName.getAbsolutePath());
  9. final List<String> readLines = IOUtils.readLines(fileInputStream);
  10. for (String line : readLines)
  11. {
  12. create.write(line.getBytes());
  13. }
  14. fileInputStream.close();
  15. }
  16. create.close();

2、archive 命令行操作

具体参考如下:
http://blog.csdn.net/scgaliguodong123_/article/details/46341587

3、Sequence File/Map File

Sequence File
通常对于”the small files problem”的回应会是:使用SequenceFile。
这种方法是说,使用filename作为key,并且file contents作为value。实践中这种方式非常管用。
如果有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中去,然后就可以在一个streaming fashion(directly or using mapreduce)中来使用这个sequenceFile。不仅如此,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。和HAR不同的是,这种方式还支持压缩。 block的压缩在许多情况下都是最好的选择,因为它将多个 records压缩到一起,而不是一个record一个压缩。

在存储结构上, SequenceFile主要由一个Header后跟多条Record组成。
Header主要包含了Key classname, Value classname,存储压缩算法,用户自定义元数据等信息,此外,还包含了一些同步标识,用于快速定位到记录的边界。

每条Record以键值对的方式进行存储,用来表示它的字符数组可依次解析成:记录的长度、 Key的长度、 Key值和Value值,并且Value值的结构取决于该记录是否被压缩。

数据压缩有利于节省磁盘空间和加快网络传输, SeqeunceFile支持两种格式的数据压缩,分别是: record compression和block compression。
record compression是对每条记录的value进行压缩
block compression是将一连串的record组织到一起,统一压缩成一个block。
block信息主要存储了:块所包含的记录数、每条记录Key长度的集合、每条记录Key值的集合、每条记录Value长度的集合和每条记录Value值的集合
注:每个block的大小是可通过io.seqfile.compress.blocksize属性来指定的

  1. Configuration conf=new Configuration();
  2. FileSystem fs=FileSystem.get(conf);
  3. Path seqFile=new Path("seqFile.seq");
  4. //Reader内部类用于文件的读取操作
  5. SequenceFile.Reader reader=new SequenceFile.Reader(fs,seqFile,conf);
  6. //Writer内部类用于文件的写操作,假设Key和Value都为Text类型
  7. SequenceFile.Writer writer=new SequenceFile.Writer(fs,conf,seqFile,Text.class,Text.class);
  8. //通过writer向文档中写入记录
  9. writer.append(new Text("key"),new Text("value"));
  10. IOUtils.closeStream(writer);//关闭write流
  11. //通过reader从文档中读取记录
  12. Text key=new Text();
  13. Text value=new Text();
  14. while(reader.next(key,value))
  15. {
  16. System.out.println(key);
  17. System.out.println(value);
  18. }
  19. IOUtils.closeStream(reader);//关闭read流

具体可参考:
http://blog.csdn.net/scgaliguodong123_/article/details/46391061
MapFile
MapFile是排序后的SequenceFile,通过观察其目录结构可以看到
MapFile由两部分组成,分别是data和index。
index作为文件的数据索引,主要记录了每个Record的key值,以及
该Record在文件中的偏移位置。
在MapFile被访问的时候,索引文件会被加载到内存,通过索引映射关系可迅速定位到指定Record所在文件位置,因此,相对SequenceFile而言, MapFile的检索效率是高效的,缺点是会消耗一部分内存来存储index数据。
需注意的是, MapFile并不会把所有Record都记录到index中去,默认情况下每隔128条记录存储一个索引映射。当然,记录间隔可人为修改,通过MapFIle.Writer的setIndexInterval()方法,或修改io.map.index.interval属性;
另外,与SequenceFile不同的是, MapFile的KeyClass一定要实现
WritableComparable接口 ,即Key值是可比较的。

  1. Configuration conf=new Configuration();
  2. FileSystem fs=FileSystem.get(conf);
  3. Path mapFile=new Path("mapFile.map");
  4. //Writer内部类用于文件的写操作,假设Key和Value都为Text类型
  5. MapFile.Writer writer=new MapFile.Writer(conf,fs,mapFile.toString(),Text.class,Text.class);
  6. //通过writer向文档中写入记录
  7. writer.append(new Text("key"),new Text("value"));
  8. IOUtils.closeStream(writer);//关闭write流
  9. //Reader内部类用于文件的读取操作
  10. MapFile.Reader reader=new MapFile.Reader(fs,mapFile.toString(),conf);
  11. //通过reader从文档中读取记录
  12. Text key=new Text();
  13. Text value=new Text();
  14. while(reader.next(key,value))
  15. {
  16. System.out.println(key);
  17. System.out.println(value);
  18. }
  19. IOUtils.closeStream(reader);//关闭read流

5、CombineFileInputFormat

相对于大量的小文件来说,hadoop更合适处理少量的大文件。
CombineFileInputFormat可以缓解这个问题,它是针对小文件而设计的。
**注:**CombineFileInputFormat是一个抽象类,需要编写一个继承类。
使用CombineFileInputFormat作为Map任务的输入规格描述,首先需要实现一个自定义的RecordReader。

CombineFileInputFormat的大致原理
它会将输入多个数据文件(小文件)的元数据全部包装到CombineFileSplit类里面。也就是说,因为小文件的情况下,在HDFS中都是单Block的文件,即一个文件一个Block,一个CombineFileSplit包含了一组文件Block,包括每个文件的起始偏移(offset),长度(length),Block位置(localtions)等元数据。

如果想要处理一个 CombineFileSplit,很容易想到,对其包含的每个InputSplit(实际上这里面没有这个,你需要读取一个小文件块的时候,需要构造一 个FileInputSplit对象)。
在执行MapReduce任务的时候,需要读取文件的文本行(简单一点是文本行,也可能是其他格式数据)。
那么对于CombineFileSplit来说,你需要处理其包含的小文件Block,就要对应设置一个RecordReader,才能正确读取文件数据内容。
通常情况下,我们有一批小文件,格式通常是相同的,只需要在CombineFileSplit实现一个RecordReader的时候,
内置另一个用来读取小文件Block的RecordReader,这样就能保证读取CombineFileSplit内部聚积的小文件。

我们基于Hadoop内置的CombineFileInputFormat来实现处理海量小文件,需要做的工作,如下所示:
1、实现一个RecordReader来读取CombineFileSplit包装的文件Block
2、继承自CombineFileInputFormat实现一个使用我们自定义的RecordReader的输入规格说明类。
3、处理数据的Mapper实现类
4、配置用来处理海量小文件的MapReduce Job

  1. package SmallFile;
  2. import java.io.IOException;
  3. import org.apache.hadoop.fs.Path;
  4. import org.apache.hadoop.io.BytesWritable;
  5. import org.apache.hadoop.io.LongWritable;
  6. import org.apache.hadoop.mapreduce.InputSplit;
  7. import org.apache.hadoop.mapreduce.RecordReader;
  8. import org.apache.hadoop.mapreduce.TaskAttemptContext;
  9. import org.apache.hadoop.mapreduce.lib.input.CombineFileInputFormat;
  10. import org.apache.hadoop.mapreduce.lib.input.CombineFileRecordReader;
  11. import org.apache.hadoop.mapreduce.lib.input.CombineFileSplit;
  12. import org.apache.hadoop.mapreduce.lib.input.FileSplit;
  13. import org.apache.hadoop.mapreduce.lib.input.LineRecordReader;
  14. public class CombineSmallfileInputFormat extends
  15. CombineFileInputFormat<LongWritable,BytesWritable>
  16. {
  17. @Override
  18. public RecordReader<LongWritable, BytesWritable> createRecordReader(
  19. InputSplit split, TaskAttemptContext context) throws IOException
  20. {
  21. CombineFileSplit combineFileSplit = (CombineFileSplit)(split);
  22. CombineFileRecordReader<LongWritable,BytesWritable> recordReader =
  23. new CombineFileRecordReader<LongWritable,BytesWritable>
  24. (combineFileSplit, context,CombineSmallfileRecordReader.class);
  25. try
  26. {
  27. recordReader.initialize(combineFileSplit, context);
  28. }
  29. catch (InterruptedException e)
  30. {
  31. e.printStackTrace();
  32. }
  33. return recordReader;
  34. }
  35. }
  36. class CombineSmallfileRecordReader extends RecordReader<LongWritable,BytesWritable>
  37. {
  38. private CombineFileSplit combineFileSplit;
  39. private LineRecordReader lineRecordReader = new LineRecordReader();
  40. private Path[] paths;
  41. private int totalLength;
  42. private int currentIndex;
  43. private float currentProgress = 0;
  44. private LongWritable currentKey;
  45. private BytesWritable currentValue;
  46. public CombineSmallfileRecordReader(CombineFileSplit combineFileSplit,TaskAttemptContext context,Integer index)
  47. {
  48. super();
  49. this.combineFileSplit = combineFileSplit;
  50. this.currentIndex = index;
  51. }
  52. @Override
  53. public void initialize(InputSplit split, TaskAttemptContext context)
  54. throws IOException, InterruptedException
  55. {
  56. FileSplit fileSplit = new FileSplit(combineFileSplit.getPath(currentIndex),
  57. combineFileSplit.getOffset(currentIndex),combineFileSplit.getLength(currentIndex),
  58. combineFileSplit.getLocations());
  59. lineRecordReader.initialize(fileSplit, context);
  60. this.paths = combineFileSplit.getPaths(); //分区所在的所有地址
  61. context.getConfiguration().set("map.input.file.name",
  62. combineFileSplit.getPath(currentIndex).getName()); //设置输入文件名
  63. }
  64. @Override
  65. public boolean nextKeyValue() throws IOException, InterruptedException
  66. {
  67. if(currentIndex>=0 && currentIndex<totalLength)
  68. {
  69. return lineRecordReader.nextKeyValue();
  70. }
  71. return false;
  72. }
  73. @Override
  74. public LongWritable getCurrentKey() throws IOException, InterruptedException
  75. {
  76. currentKey = lineRecordReader.getCurrentKey();
  77. return currentKey;
  78. }
  79. @Override
  80. public BytesWritable getCurrentValue() throws IOException, InterruptedException
  81. {
  82. byte[]value = lineRecordReader.getCurrentValue().getBytes();
  83. currentValue.set(value, 0, value.length);
  84. return currentValue;
  85. }
  86. @Override
  87. public float getProgress() throws IOException, InterruptedException
  88. {
  89. if(currentIndex>=0 && currentIndex<totalLength)
  90. {
  91. currentProgress = currentIndex/totalLength;
  92. return currentProgress;
  93. }
  94. return currentProgress;
  95. }
  96. @Override
  97. public void close() throws IOException
  98. {
  99. lineRecordReader.close();
  100. }
  101. }

作者:李国冬
来源:CSDN
原文:https://blog.csdn.net/scgaliguodong123_/article/details/46403543

发表评论

表情:
评论列表 (有 0 条评论,10人围观)

还没有评论,来说两句吧...

相关阅读