背景
- hdfs并不擅长存储小文件,因为每个文件最少一个block,每个block的元数据都会在namenode占用内存,如果存在大量的小文件,它们会吃掉namenode大量内存。如下所示,模拟小文件场景:
Archive概述
- hadoop archive可以有效地处理以上的问题,它可以把多个文件归档成为一个文件,归档成一个文件后还可以透明的访问每一个文件
创建archive
- hdfs dfs -archive -archiveName archive.har /path/to/file.txt /path/to/archive.har
- -archiveName archive.har: 指定生成的归档文件名为archive.har。扩展名是*.har
- /path/to/directory/: 要归档的整个目录的路径
- /path/to/archive/: 归档文件的存储位置。
- 多个文件进行归档操作的时候可以用:hdfs dfs -archive -archiveName archive.har /path/to/file1.txt /path/to/file2.txt /path/to/archive/
- 注意:archive归档是通过MapReduce程序完成的,需要启动yarn集群
查看归档文件
查看归档之后的样子
hadoop fs -ls /outputdir /test.har
这里可以看到har文件包括:两个索引文件,多个part文件(本例只有一个)以及一个标识成功与否的文件。part文件是多个源文件的集合,通过index文件可以去找到源文件
例如上述的三个小文件1.txt,2.txt,3.txt内容分别是1,2,3.进行archive操作之后,三个小文件就归档到test.har里的part-0一个文件里。
查看归档文件之前的样子
- 在查看har文件的时候,如果没有指定访问协议,默认使用hdfs://,此时所能看到的就是归档之后的样子。此外,archive还提供了自己的har uri访问协议。如果用har uri去访问的话,索引,标识等文件就会隐藏起来,只显示创建档案之前的原文件:
- hadoop archives的uri是:
har://scheme-hostname:port/archivepath/fileinarchive
scheme-hostname格式为hdfs-域名:端口
提取archive
按顺序解压存档(串行):
hadoop fs -cp har:///outputdir/test.har/* /smallfile1
# 要并行解压存档,请使用DisCp,对应大的归档文件可以提高效率:
hadoop distcp har:///outputdir/test.har/* smallfile2
文章来源:https://www.toymoban.com/news/detail-629719.html
archive注意事项
文章来源地址https://www.toymoban.com/news/detail-629719.html
到了这里,关于HDFS小文件解决方案---archive归档文件命令的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!