大数据Hadoop之——HDFS小文件问题与处理实战操作

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。

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：

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

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 Archive，Sequence file和CombineFileInputFormat，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。

【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 和-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。

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

查看 yarn 任务：http://local-168-182-110:8088/

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

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

【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

web HDFS： http://local-168-182-110:9870/explorer.html#/

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

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.node和mapred.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.mapfiles和hive.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~