首页 > 代码库 > hadoop 文件合并

hadoop 文件合并

来自:http://blog.csdn.net/dandingyy/article/details/7490046

 

众所周知,Hadoop对处理单个大文件比处理多个小文件更有效率,另外单个文件也非常占用HDFS的存储空间。所以往往要将其合并起来。

1,getmerge

hadoop有一个命令行工具getmerge,用于将一组HDFS上的文件复制到本地计算机以前进行合并

参考:http://hadoop.apache.org/common/docs/r0.19.2/cn/hdfs_shell.html

使用方法:hadoop fs -getmerge <src> <localdst> [addnl]

接受一个源目录和一个目标文件作为输入,并且将源目录中所有的文件连接成本地目标文件。addnl是可选的,用于指定在每个文件结尾添加一个换行符。

多嘴几句:调用文件系统(FS)Shell命令应使用 bin/hadoop fs <args>的形式。 所有的的FS shell命令使用URI路径作为参数。URI格式是scheme://authority/path

 

2.putmerge

将本地小文件合并上传到HDFS文件系统中。

一种方法可以现在本地写一个脚本,先将一个文件合并为一个大文件,然后将整个大文件上传,这种方法占用大量的本地磁盘空间;

另一种方法如下,在复制的过程中上传。参考:《hadoop in action》

[java] view plaincopy
  1. import java.io.IOException;  
  2.   
  3. import org.apache.hadoop.conf.Configuration;  
  4. import org.apache.hadoop.fs.FSDataInputStream;  
  5. import org.apache.hadoop.fs.FSDataOutputStream;  
  6. import org.apache.hadoop.fs.FileStatus;  
  7. import org.apache.hadoop.fs.FileSystem;  
  8. import org.apache.hadoop.fs.Path;  
  9. import org.apache.hadoop.io.IOUtils;  
  10.   
  11. //参数1为本地目录,参数2为HDFS上的文件  
  12. public class PutMerge {  
  13.       
  14.     public static void putMergeFunc(String LocalDir, String fsFile) throws IOException  
  15.     {  
  16.         Configuration  conf = new Configuration();  
  17.         FileSystem fs = FileSystem.get(conf);       //fs是HDFS文件系统  
  18.         FileSystem local = FileSystem.getLocal(conf);   //本地文件系统  
  19.           
  20.         Path localDir = new Path(LocalDir);  
  21.         Path HDFSFile = new Path(fsFile);  
  22.           
  23.         FileStatus[] status =  local.listStatus(localDir);  //得到输入目录  
  24.         FSDataOutputStream out = fs.create(HDFSFile);       //在HDFS上创建输出文件  
  25.           
  26.         for(FileStatus st: status)  
  27.         {  
  28.             Path temp = st.getPath();  
  29.             FSDataInputStream in = local.open(temp);  
  30.             IOUtils.copyBytes(in, out, 4096, false);    //读取in流中的内容放入out  
  31.             in.close(); //完成后,关闭当前文件输入流  
  32.         }  
  33.         out.close();  
  34.     }  
  35.     public static void main(String [] args) throws IOException  
  36.     {  
  37.         String l = "/home/kqiao/hadoop/MyHadoopCodes/putmergeFiles";  
  38.         String f = "hdfs://ubuntu:9000/user/kqiao/test/PutMergeTest";  
  39.         putMergeFunc(l,f);  
  40.     }  
  41. }  

 

3.将小文件打包成SequenceFile的MapReduce任务

来自:《hadoop权威指南》

实现将整个文件作为一条记录处理的InputFormat:

[java] view plaincopy
  1. public class WholeFileInputFormat  
  2.     extends FileInputFormat<NullWritable, BytesWritable> {  
  3.     
  4.   @Override  
  5.   protected boolean isSplitable(JobContext context, Path file) {  
  6.     return false;  
  7.   }  
  8.   
  9.   @Override  
  10.   public RecordReader<NullWritable, BytesWritable> createRecordReader(  
  11.       InputSplit split, TaskAttemptContext context) throws IOException,  
  12.       InterruptedException {  
  13.     WholeFileRecordReader reader = new WholeFileRecordReader();  
  14.     reader.initialize(split, context);  
  15.     return reader;  
  16.   }  
  17. }  

实现上面类中使用的定制的RecordReader:

[java] view plaincopy
  1. /实现一个定制的RecordReader,这六个方法均为继承的RecordReader要求的虚函数。  
  2. //实现的RecordReader,为自定义的InputFormat服务  
  3. public class WholeFileRecordReader extends RecordReader<NullWritable, BytesWritable>{  
  4.   
  5.     private FileSplit fileSplit;  
  6.     private Configuration conf;  
  7.     private BytesWritable value = new BytesWritable();  
  8.     private boolean processed = false;  
  9.     @Override  
  10.     public void close() throws IOException {  
  11.         // do nothing  
  12.     }  
  13.   
  14.     @Override  
  15.     public NullWritable getCurrentKey() throws IOException,  
  16.             InterruptedException {  
  17.         return NullWritable.get();  
  18.     }  
  19.   
  20.     @Override  
  21.     public BytesWritable getCurrentValue() throws IOException,  
  22.             InterruptedException {  
  23.         return value;  
  24.     }  
  25.   
  26.     @Override  
  27.     public float getProgress() throws IOException, InterruptedException {  
  28.         return processed? 1.0f : 0.0f;  
  29.     }  
  30.   
  31.     @Override  
  32.     public void initialize(InputSplit split, TaskAttemptContext context)  
  33.             throws IOException, InterruptedException {  
  34.         this.fileSplit = (FileSplit) split;  
  35.         this.conf = context.getConfiguration();  
  36.     }  
  37.   
  38.     //process表示记录是否已经被处理过  
  39.     @Override  
  40.     public boolean nextKeyValue() throws IOException, InterruptedException {  
  41.         if (!processed) {  
  42.             byte[] contents = new byte[(int) fileSplit.getLength()];  
  43.             Path file = fileSplit.getPath();  
  44.             FileSystem fs = file.getFileSystem(conf);  
  45.             FSDataInputStream in = null;  
  46.             try {  
  47.               in = fs.open(file);  
  48.                               //将file文件中 的内容放入contents数组中。使用了IOUtils实用类的readFully方法,将in流中得内容放入  
  49.               //contents字节数组中。  
  50.               IOUtils.readFully(in, contents, 0, contents.length);  
  51.               //BytesWritable是一个可用做key或value的字节序列,而ByteWritable是单个字节。  
  52.                                 //将value的内容设置为contents的值  
  53.               value.set(contents, 0, contents.length);  
  54.             } finally {  
  55.               IOUtils.closeStream(in);  
  56.             }  
  57.             processed = true;  
  58.             return true;  
  59.           }  
  60.           return false;  
  61.     }  
  62. }  

将小文件打包成SequenceFile:

[java] view plaincopy
    1. public class SmallFilesToSequenceFileConverter extends Configured implements Tool{  
    2.   
    3.     //静态内部类,作为mapper  
    4.     static class SequenceFileMapper extends Mapper<NullWritable, BytesWritable, Text, BytesWritable>  
    5.     {  
    6.         private Text filenameKey;  
    7.           
    8.         //setup在task开始前调用,这里主要是初始化filenamekey  
    9.         @Override  
    10.         protected void setup(Context context)  
    11.         {  
    12.             InputSplit split = context.getInputSplit();  
    13.             Path path = ((FileSplit) split).getPath();  
    14.             filenameKey = new Text(path.toString());  
    15.         }  
    16.         @Override  
    17.         public void map(NullWritable key, BytesWritable value, Context context)  
    18.                 throws IOException, InterruptedException{  
    19.             context.write(filenameKey, value);  
    20.         }  
    21.     }  
    22.   
    23.     @Override  
    24.     public int run(String[] args) throws Exception {  
    25.         Configuration conf = new Configuration();  
    26.         Job job = new Job(conf);  
    27.         job.setJobName("SmallFilesToSequenceFileConverter");  
    28.           
    29.         FileInputFormat.addInputPath(job, new Path(args[0]));  
    30.         FileOutputFormat.setOutputPath(job, new Path(args[1]));  
    31.           
    32.         //再次理解此处设置的输入输出格式。。。它表示的是一种对文件划分,索引的方法  
    33.         job.setInputFormatClass(WholeFileInputFormat.class);  
    34.         job.setOutputFormatClass(SequenceFileOutputFormat.class);  
    35.           
    36.         //此处的设置是最终输出的key/value,一定要注意!  
    37.         job.setOutputKeyClass(Text.class);  
    38.         job.setOutputValueClass(BytesWritable.class);  
    39.           
    40.         job.setMapperClass(SequenceFileMapper.class);  
    41.           
    42.         return job.waitForCompletion(true) ? 0 : 1;  
    43.     }  
    44.       
    45.     public static void main(String [] args) throws Exception  
    46.     {  
    47.         int exitCode = ToolRunner.run(new SmallFilesToSequenceFileConverter(), args);  
    48.         System.exit(exitCode);  
    49.     }  
    50. }  

hadoop 文件合并