Hadoop入门——MapReduce对于海量小文件的多种解决方案

一.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。

 

二.HDFS读写流程

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.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。

 

三.解决方案

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。

 

2.使用archive工具

创建文件 hadoop archive -archiveName xxx.har -p  /src  /dest
查看内部结构 hadoop fs -lsr /dest/xxx.har
查看内容 hadoop fs -lsr har:///dest/xxx.har

 

3.使用SequenceFile或者MapFile(以SequenceFile为例)

提供两种将小文件打成SequenceFile的方法：
方法一：

public class WriteSequenceMapReduce {
	// 定义输入路径
		private static final String INPUT_PATH = "hdfs://master:9000/files";
		// 定义输出路径
		private static final String OUT_PATH = "hdfs://master:9000/seq/";
		//定义文件系统
		private static FileSystem fileSystem = null;
		
		public static void main(String[] args) {
 
			try {
				// 创建配置信息
				Configuration conf = new Configuration();
 
				// 创建文件系统
				fileSystem = FileSystem.get(new URI(OUT_PATH), conf);
				// 如果输出目录存在，我们就删除
				if (fileSystem.exists(new Path(OUT_PATH))) {
					fileSystem.delete(new Path(OUT_PATH), true);
				}
 
				// 创建任务
				Job job = new Job(conf, WriteSequenceMapReduce.class.getName());
 
				// 1.1 设置输入目录和设置输入数据格式化的类
				FileInputFormat.setInputPaths(job, INPUT_PATH);
				// 1.2 设置自定义Mapper类和设置map函数输出数据的key和value的类型
				job.setMapperClass(WriteSequenceMapper.class);
				// 2.3 指定输出的路径和设置输出的格式化类
				FileOutputFormat.setOutputPath(job, new Path(OUT_PATH));
				// 提交作业 退出
				System.exit(job.waitForCompletion(true) ? 0 : 1);
 
			} catch (Exception e) {
				e.printStackTrace();
			}
		}
 
	
	public static class WriteSequenceMapper extends Mapper<LongWritable, Text, Text, BytesWritable> {
		// 定义SequenceFile.Reader对象用于读文件
		private static SequenceFile.Writer writer = null;
		// 定义配置信息
		private static Configuration conf = null;
		// 定义最终输出的key和value
		private Text outkey = new Text();
		private BytesWritable outValue = new BytesWritable();
		//定义要合并的文件(存放在数组中)
		private FileStatus[] files = null;
		//定义输入流和一个字节数组
		private InputStream inputStream = null;
		private byte[] buffer = null;
		
		@Override
		protected void setup(Mapper<LongWritable, Text, Text, BytesWritable>.Context context) throws IOException, InterruptedException {
			try {
				// 创建配置信息
				conf = new Configuration();
				// 创建Path对象
				Path path = new Path(INPUT_PATH);
				// 创建SequenceFile.Writer对象，并指定压缩格式
				writer = SequenceFile.createWriter(fileSystem,conf, new Path(OUT_PATH+"/total.seq"), Text.class, BytesWritable.class, CompressionType.BLOCK, new BZip2Codec());
				//writer = SequenceFile.createWriter(fileSystem,conf, new Path(OUT_PATH+"/total.seq"), Text.class, BytesWritable.class);
				//获取要合并的文件数组
				files = fileSystem.listStatus(path);
				
			} catch (Exception e) {
				e.printStackTrace();
			}
		}
 
		@Override
		protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, BytesWritable>.Context context) throws IOException, InterruptedException {
			
 
			//遍历文件数组
			for (int i=0; i<files.length; i++){
				//将文件名作为输出的key
				outkey.set(files[i].getPath().toString());
				
				//创建输入流
				inputStream = fileSystem.open(files[i].getPath());
				//创建字节数组
				buffer = new byte[(int) files[i].getLen()];
				//通过工具类将文件读到字节数组中
				IOUtils.readFully(inputStream, buffer, 0, buffer.length);
				//将字节数组中的内容及单个文件的内容作为value输出
				outValue.set(new BytesWritable(buffer));
				
				//关闭输入流
				IOUtils.closeStream(inputStream);
				
				//将结果写到Sequencefile中
				writer.append(outkey, outValue);
				
			}
			
			//关闭流
			IOUtils.closeStream(writer);
			
			//System.exit(0);
		}
 
	}
}

方法二：自定义InputFormat和RecordReader实现

public class WholeFileInputFormat extends FileInputFormat<NullWritable, BytesWritable>{
 
	@Override
	public RecordReader<NullWritable, BytesWritable> createRecordReader(InputSplit split, TaskAttemptContext context) throws IOException, InterruptedException {
		//创建自定义的RecordReader
		WholeFileRecordReader reader = new WholeFileRecordReader();
		
		reader.initialize(split, context);
		
		return reader;
	}
	
	@Override
	protected boolean isSplitable(JobContext context, Path filename) {
		
		return false;
	}
 
}

public class WholeFileRecordReader extends RecordReader<NullWritable, BytesWritable>{
 
	private FileSplit fileSplit;
	private Configuration conf;
	private BytesWritable value = new BytesWritable();
	private boolean processed = false;
	
	
	public void initialize(InputSplit split, TaskAttemptContext context) throws IOException, InterruptedException{
		this.fileSplit = (FileSplit) split;
		this.conf = context.getConfiguration();
		
	}
	
	/**
	 * process表示记录是否已经被处理过了
	 */
	@Override
	public boolean nextKeyValue() throws IOException, InterruptedException {
		if (!processed){
			byte[] contents = new byte[(int) fileSplit.getLength()];
			//获取路径
			Path file = fileSplit.getPath();
			//创建文件系统
			FileSystem fileSystem = file.getFileSystem(conf);
			FSDataInputStream in = null;
			try {
				//打开文件
				in = fileSystem.open(file);
				//将file文件中的内容放入contents数组中。使用了IOUtils工具类的readFully()方法，将in流中的内容读到contents字节数组中
				IOUtils.readFully(in, contents, 0, contents.length);
				//BytesWritable是一个可用做key或value的字节序列，而ByteWritable是单个字节
				//将value的内容设置为contents的值
				value.set(contents, 0, contents.length);
				
			} catch (Exception e) {
				e.printStackTrace();
			} finally{
				IOUtils.closeStream(in);
			}
			
			processed = true;
			return true;
		}
		return false;
	}
 
	@Override
	public NullWritable getCurrentKey() throws IOException, InterruptedException {
		return NullWritable.get();
	}
 
	@Override
	public BytesWritable getCurrentValue() throws IOException, InterruptedException {
		return value;
	}
 
	@Override
	public float getProgress() throws IOException, InterruptedException {
		
		return processed ? 1.0f : 0.0f;
	}
 
	@Override
	public void close() throws IOException {
 
		//do nothing
	}
 
}

public class SmallFilesToSequenceFileConverter {
	
	
	// 定义输入路径
	private static final String INPUT_PATH = "hdfs://master:9000/files/*";
	// 定义输出路径
	private static final String OUT_PATH = "hdfs://<span style="font-family: Arial, Helvetica, sans-serif;">master</span>:9000/seq/total.seq";
	
	public static void main(String[] args) {
		try {
			// 创建配置信息
			Configuration conf = new Configuration();
 
			// 创建文件系统
			FileSystem fileSystem = FileSystem.get(new URI(OUT_PATH), conf);
			// 如果输出目录存在，我们就删除
			if (fileSystem.exists(new Path(OUT_PATH))) {
				fileSystem.delete(new Path(OUT_PATH), true);
			}
 
			// 创建任务
			Job job = new Job(conf, SmallFilesToSequenceFileConverter.class.getName());
 
			//1.1	设置输入目录和设置输入数据格式化的类
			FileInputFormat.addInputPaths(job, INPUT_PATH);
			job.setInputFormatClass(WholeFileInputFormat.class);
 
			//1.2	设置自定义Mapper类和设置map函数输出数据的key和value的类型
			job.setMapperClass(SequenceFileMapper.class);
			job.setMapOutputKeyClass(Text.class);
			job.setMapOutputValueClass(BytesWritable.class);
 
			//1.3	设置分区和reduce数量(reduce的数量，和分区的数量对应，因为分区为一个，所以reduce的数量也是一个)
			job.setPartitionerClass(HashPartitioner.class);
			//千万不要有这句话，否则单个小文件的内容会输出到单独的一个Sequencefile文件中(简直内伤)
			//job.setNumReduceTasks(0);
 
			FileOutputFormat.setOutputPath(job, new Path(OUT_PATH));
			job.setOutputFormatClass(SequenceFileOutputFormat.class);
			
			// 此处的设置是最终输出的key/value，一定要注意！
			job.setOutputKeyClass(Text.class);
			job.setOutputValueClass(BytesWritable.class);
			
			// 提交作业 退出
			System.exit(job.waitForCompletion(true) ? 0 : 1);
		
		} catch (Exception e) {
			e.printStackTrace();
		}
	}
 
	public static class SequenceFileMapper extends Mapper<NullWritable, BytesWritable, Text, BytesWritable> {
		// 定义文件的名称作为key
		private Text fileNameKey = null;
 
		/**
		 * task调用之前，初始化fileNameKey
		 */
		@Override
		protected void setup(Mapper<NullWritable, BytesWritable, Text, BytesWritable>.Context context) throws IOException, InterruptedException {
			// 获取分片
			InputSplit split = context.getInputSplit();
			// 获取输入目录
			Path path = ((FileSplit) split).getPath();
			// 设置fileNameKey
			fileNameKey = new Text(path.toString());
		}
 
		@Override
		protected void map(NullWritable key, BytesWritable value, Mapper<NullWritable, BytesWritable, Text, BytesWritable>.Context context) throws IOException,
				InterruptedException {
			// 将fileNameKey作为输出的key(文件名)，value作为输出的value(单个小文件的内容)
			System.out.println(fileNameKey.toString());
			context.write(fileNameKey, value);
		}
	}
}

注：方法二的这三个类可以实现将小文件写到一个SequenceFile中。

读取SequenceFile文件：

public class ReadSequenceMapReduce {
	// 定义输入路径
	private static final String INPUT_PATH = "hdfs://master:9000/seq/total.seq";
	// 定义输出路径
	private static final String OUT_PATH = "hdfs://<span style="font-family: Arial, Helvetica, sans-serif;">master</span>:9000/seq/out";
	//定义文件系统
	private static FileSystem fileSystem = null;
	
	public static void main(String[] args) {
 
		try {
			// 创建配置信息
			Configuration conf = new Configuration();
 
			// 创建文件系统
			fileSystem = FileSystem.get(new URI(OUT_PATH), conf);
			// 如果输出目录存在，我们就删除
			if (fileSystem.exists(new Path(OUT_PATH))) {
				fileSystem.delete(new Path(OUT_PATH), true);
			}
 
			// 创建任务
			Job job = new Job(conf, ReadSequenceMapReduce.class.getName());
 
			// 1.1 设置输入目录和设置输入数据格式化的类
			FileInputFormat.setInputPaths(job, INPUT_PATH);
			// 这个很重要，指定使用SequenceFileInputFormat类来处理我们的输入文件
			job.setInputFormatClass(SequenceFileInputFormat.class);
 
			// 1.2 设置自定义Mapper类和设置map函数输出数据的key和value的类型
			job.setMapperClass(ReadSequenceMapper.class);
			job.setMapOutputKeyClass(Text.class);
			job.setMapOutputValueClass(Text.class);
 
			// 1.3 设置分区和reduce数量
			job.setPartitionerClass(HashPartitioner.class);
			job.setNumReduceTasks(0);
 
			// 最终输出的类型
			job.setOutputKeyClass(Text.class);
			job.setOutputValueClass(Text.class);
 
			// 2.3 指定输出的路径和设置输出的格式化类
			FileOutputFormat.setOutputPath(job, new Path(OUT_PATH));
			job.setOutputFormatClass(TextOutputFormat.class);
 
			// 提交作业 退出
			System.exit(job.waitForCompletion(true) ? 0 : 1);
 
		} catch (Exception e) {
			e.printStackTrace();
		}
	}
 
	public static class ReadSequenceMapper extends Mapper<Text, BytesWritable, Text, Text> {
 
		//定义SequenceFile.Reader对象用于读文件
		private static SequenceFile.Reader reader = null;
		//定义配置信息
		private static Configuration conf = null;
		//定义最终输出的value
		private Text outValue = new Text();
		
		/**
		 * 在setUp()函数中初始化相关对象
		 */
		@Override
		protected void setup(Mapper<Text, BytesWritable, Text, Text>.Context context) throws IOException, InterruptedException {
			try {
				// 创建配置信息
				conf = new Configuration();
				// 创建文件系统
				//FileSystem fs = FileSystem.get(new URI(INPUT_PATH), conf);
				// 创建Path对象
				Path path = new Path(INPUT_PATH);
				// 创建SequenceFile.Reader对象
				reader = new SequenceFile.Reader(fileSystem, path, conf);
				
			} catch (Exception e) {
				e.printStackTrace();
			}
 
		}
 
		@Override
		protected void map(Text key, BytesWritable value, Mapper<Text, BytesWritable, Text, Text>.Context context) throws IOException, InterruptedException {
			
			if (!"".equals(key.toString())  && !"".equals(value.get())){
				
				//设置输出的value
				outValue.set(new String(value.getBytes(), 0, value.getLength()));
				//把结果写出去
				context.write(key, outValue);
			}				
		}
	}
}

 

4.使用CombineFileInputFormat

具体查看：MapReduce基于CombineFileInputFormat处理海量小文件

 

 

原文转自：https://blog.csdn.net/lzm1340458776/article/details/43410731