大数据Hadoop之——HDFS小文件问题与处理实战操作

2022/8/22 6:56:50

本文主要是介绍大数据Hadoop之——HDFS小文件问题与处理实战操作,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!

目录
  • 一、背景
    • 1)小文件是如何产生的?
    • 2)文件块大小设置
    • 3)HDFS分块目的
  • 二、HDFS小文件问题处理方案
    • 1)Hadoop Archive(HAR)
    • 2)Sequence file
    • 3)CombineFileInputFormat
    • 4)开启JVM重用
    • 5)合并本地的小文件,上传到 HDFS(appendToFile )
    • 6)合并 HDFS 的小文件,下载到本地(getmerge)
  • 三、HDFS小文件问题处理实战操作
    • 1)通过Hadoop Archive(HAR)方式进行合并小文件
    • 2)合并本地的小文件,上传到 HDFS(appendToFile )
    • 3)合并 HDFS 的小文件,下载到本地(getmerge)
    • 4)针对Hive表小文件数合并处理(CombineFileInputFormat)
      • 1、输入阶段合并
      • 2、输出阶段合并

一、背景

每个文件均按块存储,每个块的元数据存储在NameNode的内存中,因此HDFS存储小文件会非常低效。因为大量的小文件会耗尽NameNode中的大部分内存。但注意,存储小文件所需要的磁盘容量和数据块的大小无关。每个块的大小可以通过配置参数(dfs.blocksize)来规定,默认的大小128M。例如,一个1MB的文件设置为128MB的块存储,实际使用的是1MB的磁盘空间,而不是128MB。

在这里插入图片描述
Hadoop 高可用环境部署,可参考我之前的文章:大数据Hadoop之——Hadoop 3.3.4 HA(高可用)原理与实现(QJM)

1)小文件是如何产生的?

  • 动态分区插入数据,产生大量的小文件,从而导致 map 数量剧增;
  • reduce 数量越多,小文件也越多,reduce 的个数和输出文件个数一致;
  • 数据源本身就是大量的小文件;

2)文件块大小设置

同样对于如何设置每个文件块的大小,官方给出了这样的建议:

在这里插入图片描述

所以对于块大小的设置既不能太大,也不能太小,太大会使得传输时间加长,程序在处理这块数据时会变得非常慢,如果文件块的大小太小的话会增加每一个块的寻址时间。所以文件块的大小设置取决于磁盘的传输速率。

3)HDFS分块目的

HDFS中分块可以减少后续中MapReduce程序执行时等待文件的读取时间,HDFS支持大文件存储,如果文件过大10G不分块在读取时处理数据时就会大量的将时间耗费在读取文件中,分块可以配合MapReduce程序的切片操作,减少程序的等待时间。

二、HDFS小文件问题处理方案

在这里插入图片描述
HDFS中文件上传会经常有小文件的问题,每个块大小会有150字节的大小的元数据存储namenode中,如果过多的小文件每个小文件都没有到达设定的块大小,都会有对应的150字节的元数据,这对namenode资源浪费很严重,同时对数据处理也会增加读取时间。对于小文件问题,Hadoop本身也提供了几个解决方案,分别为:Hadoop ArchiveSequence fileCombineFileInputFormat,除了hadoop本身提供的方案,当然还有其它的方案,下面会详细讲解。

1)Hadoop Archive(HAR)

Hadoop Archive(HAR) 是一个高效地将小文件放入HDFS块中的文件存档工具,它能够将多个小文件打包成一个HAR文件,这样在减少namenode内存使用的同时,仍然允许对文件进行透明的访问。

在这里插入图片描述

【示例】对某个目录/foo/bar下的所有小文件存档成/outputdir/zoo.har

hadoop archive -archiveName foo.har -p /foo/bar /outputdir

当然,也可以指定HAR的大小(使用-Dhar.block.size)。

HAR是在Hadoop file system之上的一个文件系统,因此所有fs shell命令对HAR文件均可用,只不过是文件路径格式不一样,HAR的访问路径可以是以下两种格式:

# scheme-hostname格式为hdfs-域名:端口,如果没有提供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://scheme-hostname:port/archivepath/fileinarchive

har:///archivepath/fileinarchive

可以这样查看HAR文件存档中的文件:

hdfs dfs -ls har:///user/zoo/foo.har

输出:

har:///user/zoo/foo.har/hadoop/dir1

har:///user/zoo/foo.har/hadoop/dir2

使用HAR时需要注意两点:

  • 对小文件进行存档后,原文件并不会自动被删除,需要用户自己删除;
  • 创建HAR文件的过程实际上是在运行一个mapreduce作业,因而需要有一个hadoop集群运行此命令。

此外,HAR还有一些缺陷:

  • 一旦创建,Archives便不可改变。要增加或移除里面的文件,必须重新创建归档文件。
  • 要归档的文件名中不能有空格,否则会抛出异常,可以将空格用其他符号替换(使用-Dhar.space.replacement.enable=true-Dhar.space.replacement参数)。
  • 不支持修改

2)Sequence file

  • Sequence file由一系列的二进制key/value组成,如果为key小文件名,value为文件内容,则可以将大批小文件合并成一个大文件。
  • Hadoop-0.21.0中提供了SequenceFile,包括Writer,Reader和SequenceFileSorter类进行写,读和排序操作。如果hadoop版本低于0.21.0的版本。

在这里插入图片描述
和 HAR 不同的是,这种方式还支持压缩。该方案对于小文件的存取都比较自由,不限制用户和文件的多少,但是 SequenceFile 文件不能追加写入,适用于一次性写入大量小文件的操作。也是不支持修改的。

3)CombineFileInputFormat

CombineFileInputFormat是一种新的inputformat,用于将多个文件合并成一个单独的split,在map和reduce处理之前组合小文件

4)开启JVM重用

有小文件场景时开启JVM重用;如果没有产生小文件,不要开启JVM重用,因为会一直占用使用到的task卡槽,直到任务完成才释放。
JVM重用可以使得JVM实例在同一个job中重新使用N次,N的值可以在Hadoop的mapred-site.xml文件中进行配置。通常在10-20之间。

<property>
    <name>mapreduce.job.jvm.numtasks</name>
    <value>10</value>
    <description>How many tasks to run per jvm,if set to -1 ,there is  no limit</description>
</property> 

5)合并本地的小文件,上传到 HDFS(appendToFile )

将本地的多个小文件,上传到 HDFS,可以通过 HDFS 客户端的 appendToFile 命令对小文件进行合并。

6)合并 HDFS 的小文件,下载到本地(getmerge)

可以通过 HDFS 客户端的 getmerge 命令,将很多小文件合并成一个大文件,然后下载到本地。

三、HDFS小文件问题处理实战操作

1)通过Hadoop Archive(HAR)方式进行合并小文件

在本地准备2个小文件:

cat >user1.txt<<EOF
1,tom,male,16
2,jerry,male,10
EOF

cat >user2.txt<<EOF
101,jack,male,19
102,rose,female,18
EOF

将文件put上hdfs

hdfs dfs -mkdir -p /foo/bar
hdfs dfs -put user*.txt /foo/bar/

进行合并

# 【用法】hadoop archive -archiveName  归档名称 -p 父目录 [-r <复制因子>]  原路径(可以多个)  目的路径
# 合并/foo/bar目录下的文件,输出到/outputdir
hadoop archive -archiveName user.har -p /foo/bar /outputdir

# 执行该命令后,原输入文件不会被删除,需要手动删除
hdfs dfs -rm -r /foo/bar/user*.txt

在这里插入图片描述
查看 yarn 任务:http://local-168-182-110:8088/
在这里插入图片描述
查看har文件

# 查看har合并文件
hdfs dfs -ls /outputdir/user.har
hdfs dfs -ls ///outputdir/user.har
hdfs dfs -ls hdfs://local-168-182-110:8082/outputdir/user.har

# 查看har里的文件
hdfs dfs -ls har:/outputdir/user.har
hdfs dfs -ls har:///outputdir/user.har
hdfs dfs -ls har://hdfs-local-168-182-110:8082/outputdir/user.har

在这里插入图片描述

解压har文件

# 按顺序解压存档(串行)
hdfs dfs -cp har:///outputdir/user.har /outputdir/newdir
# 查看
hdfs dfs -ls /outputdir/newdir

# 要并行解压存档,请使用DistCp,会提交MR任务进行并行解压
hadoop  distcp har:///outputdir/user.har  /outputdir/newdir2
# 查看
hdfs dfs -ls /outputdir/newdir2

在这里插入图片描述

【温馨提示】眼尖的小伙伴,可以已经发现了一个问题,就是cp串行解压,会在解压的目录下保留har文件。

Archive注意事项:

  • Hadoop archives是特殊的档案格式, 扩展名是*.har;
  • 创建archives本质是运行一个Map/Reduce任务,所以应该在Hadoop集群运行创建档案的命令;
  • 创建archive文件要消耗和原文件一样多的硬盘空间;
  • archive文件不支持压缩
  • archive文件一旦创建就无法改变,要修改的话,需要创建新的archive文件;
  • 当创建archive时,源文件不会被更改或删除

2)合并本地的小文件,上传到 HDFS(appendToFile )

在本地准备2个小文件:

cat >user1.txt<<EOF
1,tom,male,16
2,jerry,male,10
EOF

cat >user2.txt<<EOF
101,jack,male,19
102,rose,female,18
EOF

合并方式:

hdfs dfs -appendToFile user1.txt user2.txt /test/upload/merged_user.txt

# 查看
hdfs dfs -cat /test/upload/merged_user.txt

在这里插入图片描述

web HDFS: http://local-168-182-110:9870/explorer.html#/
在这里插入图片描述

3)合并 HDFS 的小文件,下载到本地(getmerge)

# 先上传小文件到 HDFS:
hdfs dfs -put user1.txt user2.txt /test/upload
# 下载,同时合并:
hdfs dfs -getmerge /test/upload/user*.txt ./merged_user.txt

在这里插入图片描述

4)针对Hive表小文件数合并处理(CombineFileInputFormat)

1、输入阶段合并

  • 需要更改Hive的输入文件格式即参hive.input.format,默认值是org.apache.hadoop.hive.ql.io.HiveInputFormat我们改成org.apache.hadoop.hive.ql.io.CombineHiveInputFormat

  • 这样比起上面对mapper数的调整,会多出两个参数是mapred.min.split.size.per.nodemapred.min.split.size.per.rack,含义是单节点和单机架上的最小split大小。如果发现有split大小小于这两个值(默认都是100MB),则会进行合并。具体逻辑可以参看Hive源码中的对应类。

2、输出阶段合并

  • 直接将hive.merge.mapfileshive.merge.mapredfiles都设为true即可,前者表示将map-only任务的输出合并,后者表示将map-reduce任务的输出合并,Hive会额外启动一个mr作业将输出的小文件合并成大文件。

  • 另外,hive.merge.size.per.task可以指定每个task输出后合并文件大小的期望值,hive.merge.size.smallfiles.avgsize可以指定所有输出文件大小的均值阈值,默认值都是1GB。如果平均大小不足的话,就会另外启动一个任务来进行合并。


HDFS小文件过多问题与处理实战操作就先到这里了,其实企业里基本上都是通过程序或者脚本去处理,这里只是通过命令去演示,其实原理都一样,只是客户端不一样,后面有时间单独会讲程序或者脚本去处理小文件,有疑问的小伙伴欢迎给我留言哦~



这篇关于大数据Hadoop之——HDFS小文件问题与处理实战操作的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!


扫一扫关注最新编程教程