首页 > 代码库 > 使用shell并发上传文件到hdfs
使用shell并发上传文件到hdfs
最初业务需求：将文件从ftp下到本地并上传到hdfs，其中ftp到本地和本地到hdfs皆有文件完整性校验，ftp到本地的逻辑由于和业务耦合度较高，因此本文不再叙述，这里仅说一下从本地到hdfs的并发脚本相关说明及代码实现。
测试环境： RHEL6.4 x86_64 / Hadoop 2.4.0.2.1.5.0-695
部分需求说明：
1、需要提供一个文件列表，以文件的形式，每行一个文件，所有文件有一个共同的父目录，且文件是有效存在的，当然，不存在脚本也会判断并记录的。
2、需要提供一个hdfs的父路径(绝对路径)，此路径用于将本地文件的父路径替换，此hdfs路径需要执行脚本的用户有读写权限，当然，没有权限的话会报错并记录日志。
3、可以并发上传，可以设置并发个数，当然，会有最大个数限制(32，可直接修改相关变量)
4、可以检测是否有已传成功的，并忽略本地上传（重复大文件特别节省时间）
5、可以根据提供的带宽计算每个文件的上传超时时间，并记录日志以便于调试合适的执行
6、上传失败的要记录日志，并计入重试列表，可自动处理重试列表
7、不匹配的文件要记录日志，并放入无效文件列表
8、一个时间段内脚本只能在系统中有一个正在运行的
9、文件完整性校验通过对于文件的大小(未找到在hdfs上直接获取某个文件的md5的方法...)
10、暂时就想到这么多了...
部分逻辑说明：
1、文件上传超时时间公式： 文件大小/总带宽(默认5MB/s,)/并发个数+60
2、由于无法把函数单独放入后台执行，因此脚本分为控制脚本和上传脚本，用户使用控制脚本即可。
3、上传日志，上传列表文件，重试列表文件，上传线程文件都放在/var/log/ftp_op目录下
4、并发进程数必须为正整数数字，如果输入错误则报错(但乱码处理仍不太理想，算bug..)。并发进程数当大与32(ctrl_put.sh： 28行max_threads=32控制)时，则强制修改为32；当上传列表行数小于进程数时，则修改进程数为上传列表行数。
6、上某个线程超时，则将其需要上传的文件放入重试列表，并kill掉其进程，删除掉其标志文件
7、上传线程的标志文件命名为 前缀_线程id_时间戳_文件大小_超时时间
8、....不说了，代码中有注释.......
注：相关日志格式；如下
1) 上传成功日志格式： 时间、具体操作函数、hdfs文件路径、状态、文件大小、上传所用时间、分配的超时时间、有(check_size)表示此文件已存在，且对比大小一致，直接标价为成功;日志如下：
2）当要处理的文件的父路径中没有参数或变量定义的路径时，日志如下：
3）当上传时，在hdfs上无法创建路径，或者无法修改权限时，日志如下：
4) 当文件大小对比失败，或hdfs dfs -put命令执行失败时，日志如下：
5) 脚本中定义了其它相关报错日志，但由于笔者测试过程未出现相关报错，也无法一一列出
脚本
脚本使用说明
计划任务使用：
* * * * * /opt/ctrl_put.sh 10 /opt/upload_thread.sh /opt/localfiles /tmp/ftpfiles
# /opt/ctrl_put.sh 10 /opt/upload_thread.sh /opt/localfiles /tmp/ftpfiles
上述命令说明：
控制脚本： /opt/ctrl_put.sh
上传教程： /opt/upload_thread.sh
线程： 10
本地文件列表中文件的父目录： /opt/localfiles
要上传到hdfs的父目录： /tmp/ftpfiles
注： /opt/ctrl_put.sh脚本的第39行是文件上传列表变量；40行是重试列表变量；38行是无效文件列表；19行是log_dir的变量，此路径需要脚本执行者有所有权限
好吧，啰嗦了这么久，见代码如下
控制脚本： ctrl_put.sh
#!/bin/bash
[ -x /bin/basename ] && bn_cmd=/bin/basename
[ -x /usr/bin/basename ] && bn_cmd=/usr/bin/basename
[ -x /usr/bin/dirname ] && dn_cmd=/usr/bin/dirname
[ -x /usr/bin/wc ] && wc_cmd=/usr/bin/wc
[ -x /usr/bin/uniq ] && uq_cmd=/usr/bin/uniq
[ -x /usr/bin/hdfs ] && hdp_cmd="/usr/bin/hdfs dfs"
# 检查是否有本脚本pid
pid_file=/tmp/`$bn_cmd $0`_ftp_op.pid
if [[ -f $pid_file ]];then
ps -p `cat $pid_file` &> /dev/null
[[ "$?" -eq "0" ]] && echo "`$log_date` : $0 exist." && exit 0
fi
echo $$ > $pid_file
log_date="/bin/date +%H:%M:%S/%Y-%m-%d"
log_dir=/var/log/ftp_op
log_file=$log_dir/ftp_op.log
threads=${1:-10}
thread_script=${2:-/opt/upload_thread.sh}
#check_period=${5:-10}
check_period=5
timestamp="/bin/date +%s"
thread_file_pre=$log_dir/threadfile
max_threads=32
# 5242880 = 5M/s
network_speed=5242880
net_speed=`echo $network_speed $threads|awk ‘{printf("%.0lf",$1/$2)}‘`
if [[ ! -d $log_dir ]];then
mkdir -p $log_dir ; mkdir_res=$?
[[ $mkdir_res -ne 0 ]] && echo "$log_dir : Can‘t create directory" && exit 1
fi
put_invalid_list=$log_dir/put_hdfs_invalid.list
put_hdfs_list=$log_dir/put_hdfs.list
put_retry_list=$log_dir/retry_put.list
final_dir=${3:-/storage/disk9/localfiles}
hdfs_dir=${4:-/tmp/hdfs/files}
# 日志记录函数
TEE(){
/usr/bin/tee -a $log_file
}
# 重试列表追加入当前列表
# 如果检测到重试列表不为空，追加进上传列表
# 此函需要两个参数 $1 $2
# $1 : 重试列表文件
# $2 : 标准处理列表
RETRY_LIST(){
if [ -f $1 ];then
retry_sum=`cat $1|/usr/bin/wc -l`
if [[ $retry_sum -ne 0 ]];then
cat $1 >> $2
rm -rf $1
fi
fi
}
# 线程个数策略，此函数需要提供两个参数
# $1 : 原始上传列表文件
# $2 : 用户提供的线程个数
THREAD_POLICY(){
if [[ $# -ne 2 ]];then
echo "`$log_date` $FUNCNAME Error: \$# 1= 2" >> $log_file
return 1
fi
if [[ ! -f $1 ]];then
echo "`$log_date` $FUNCNAME $1 No such file" >> $log_file
return 2
fi
echo "$2"|grep -q ‘^[-]\?[0-9]\+$‘
if [[ $? -ne 0 ]];then
echo "`$log_date` $FUNCNAME $2 Invalid number" >> $log_file
return 3
fi
local list_sum=`cat $1|$wc_cmd -l`
if [[ $list_sum -eq 0 ]];then
#echo "`$log_date` $FUNCNAME $1 is empty" >> $log_file
return 0
else
if [[ $2 -ge $max_threads ]];then
[[ "$list_sum" -le "$max_threads" ]] && echo $list_sum || echo $max_threads
else
[[ "$list_sum" -le "$2" ]] && echo $list_sum || echo $2
fi
fi
}
# 超时失败处理，此函数需要提供一个参数
# $1 : 超时线程的pid标识文件
TIMEOUT_HANDLE(){
if [[ ! -f $1 ]];then
echo "`$log_date` $FUNCNAME $1 no such file" >> $log_file
return 1
fi
local old_pid=`/usr/bin/tail -1 $1`
ps -p $old_pid &> /dev/null
if [[ $? -eq 0 ]];then
kill $old_pid &> /dev/null
if [[ $? -eq 0 ]];then
sed -n "1p" $1 >> $put_retry_list
rm -rf $1
return 0
else
echo "`$log_date` $FUNCNAME $2 kill $old_pid fail." >> $log_file
local file_dir=`$dn_cmd $1` ; local file_name=`$bn_cmd $1`
sed -n "1p" $1 >> $put_retry_list
mv -f $1 $file_dir/fail_kill_$file_name
ps -p $old_pid &> /dev/null
if [[ $? -eq 0 ]];then
echo "`$log_date` $FUNCNAME $2 kill $old_pid fail." >> $log_file
return 1
else
return 0
fi
fi
else
sed -n "1p" $1 >> $put_retry_list
rm -rf $1
fi
# $put_hdfs_list $put_retry_list $threads
}
# 创建线程执行脚本所需文件,此函数需要两个参数
# $1 : 线程执行脚本id号
# $2 : 要处理的具体文件的绝对路径
CREATE_THREAD_FILE(){
if [[ $# -ne 2 ]];then
echo "`$log_date` $FUNCNAME Error \$#!=2" >> $log_file
return 1
fi
if [[ -z $1 ]];then
echo "`$log_date` $FUNCNAME $1 is empty" >> $log_file
return 0
fi
if [[ ! -f $2 ]];then
echo "`$log_date` $FUNCNAME $2 no such file" >> $log_file
return 2
fi
local file_size=`/usr/bin/du -b $2|awk ‘{print $1}‘`
local time_out=`echo $file_size $net_speed|awk ‘{printf("%.0lf",$1/$2+60)}‘`
local thread_file="$thread_file_pre"_"$1"_`$timestamp`_"$file_size"_"$time_out"
echo $2 > $thread_file
if [[ $? -eq 0 ]];then
echo $thread_file
return 0
else
echo "`$log_date` $FUNCNAME $thread_file Can‘t create file" >> $log_file
return 3
fi
}
# 超时策略,此函数需要提供两个参数
# $1 : 当前需要创建的线程个数id
# $2 : 要处理文件的绝对路径
THREAD_FILE_POLICY(){
if [[ $# -ne 2 ]];then
echo "`$log_date` $FUNCNAME Error \$#!=2" >> $log_file
return 1
fi
if [[ -z $1 ]];then
echo "`$log_date` $FUNCNAME $1 is empty" >> $log_file
return 0
fi
if [[ ! -f $2 ]];then
echo "`$log_date` $FUNCNAME $2 no such file" >> $log_file
return 2
fi
local old_file=`/bin/ls "$thread_file_pre"_"$1"_* 2> /dev/null`
if [[ -f $old_file ]];then
local now_time=`$timestamp`
local old_time=`$bn_cmd $old_file|awk -F_ ‘{print $3}‘`
local file_timeout=`$bn_cmd $old_file|awk -F_ ‘{print $NF}‘`
local now_timeout=`echo $now_time $old_time|awk ‘{printf("%.0lf",$1-$2)}‘`
if [[ $now_timeout -le $file_timeout ]];then
return 0
else
if TIMEOUT_HANDLE $old_file ;then
echo `CREATE_THREAD_FILE $1 $2`
fi
fi
else
echo `CREATE_THREAD_FILE $1 $2`
fi
}
# 主控进程函数
MASTER_CTRL(){
if [[ $# -ne 4 ]];then
echo "`$log_date` $FUNCNAME Error \$#!=4" >> $log_file
return 1
fi
while :;do
RETRY_LIST $2 $1
local final_threads=`THREAD_POLICY $1 $4`
[[ -z $final_threads ]] && break
for t in `/usr/bin/seq 1 $final_threads`;do
local file_path=`sed -n "1p" $1`
echo $file_path|grep -q $final_dir
if [[ $? -ne 0 ]];then
echo "`$log_date` $FUNCNAME $file_path invalid file" >> $log_file
echo $file_path >> $put_invalid_list
sed -i "1d" $1
continue
fi
local thread_file=`THREAD_FILE_POLICY $t $file_path`
if [[ -f $thread_file ]];then
/bin/bash $3 $thread_file $final_dir $hdfs_dir $2 &
sed -i "1d" $1
fi
done
[[ ! -z $final_threads ]] && sleep $check_period
done
rm -rf $pid_file
}
MASTER_CTRL $put_hdfs_list $put_retry_list $thread_script $threads上传线程脚本：upload_thread.sh
#!/bin/bash
[[ ! -f $1 ]] && echo "Error, Invalid File" && exit 1
[[ ! -d $2 ]] && echo "Error, Invalid Directory" && exit 1
echo $$ >> $1
[ -x /bin/basename ] && bn_cmd=/bin/basename
[ -x /usr/bin/basename ] && bn_cmd=/usr/bin/basename
[ -x /usr/bin/dirname ] && dn_cmd=/usr/bin/dirname
[ -x /usr/bin/wc ] && wc_cmd=/usr/bin/wc
[ -x /usr/bin/uniq ] && uq_cmd=/usr/bin/uniq
[ -x /usr/bin/hdfs ] && hdp_cmd="/usr/bin/hdfs dfs"
[ -x /usr/bin/md5sum ] && ms_cmd=/usr/bin/md5sum
log_date="/bin/date +%H:%M:%S/%Y-%m-%d"
log_dir=/var/log/ftp_op
log_file=$log_dir/ftp_op.log
put_retry_list=${4:-$log_dir/retry_put.list}
timestamp="/bin/date +%s"
now_timestamp=`$timestamp`
[ ! -d $log_dir ] && mkdir -p $log_dir
# 日志记录函数
TEE(){
/usr/bin/tee -a $log_file
}
# 本地和hdfs的文件大小对比函数
# 此函数需要两个参数 $1 $2
# $1为本地文件大小 $2为hdfs文件路径
HDFS_SIZE_CHECK(){
if [[ $# -ne 2 ]];then
echo "`$log_date` $FUNCNAME Error \$#!=2 \$1 or \$2 is empty"|TEE
return 1
fi
local hdfs_size=`$hdp_cmd -du $2|awk ‘{print $1}‘`
[[ $1 -eq $hdfs_size ]] && return 0 || return 1
}
# 此函数需要三个参数
# $1 : hdfs的文件名
# $2 : 本地的对应文件的大小
# $3 : hdfs文件的目录
HDFS_LOCATION_CHECK(){
if [[ $# -ne 3 ]];then
return 2
fi
if $hdp_cmd -test -d $3 ;then
if $hdp_cmd -test -f $1 ;then
if HDFS_SIZE_CHECK $2 $1 ;then
$hdp_cmd -rm -r -f -skipTrash $1.tmp
return 1
else
$hdp_cmd -rm -r -f -skipTrash $1
fi
fi
if $hdp_cmd -test -f $1.tmp ;then
if HDFS_SIZE_CHECK $2 $1.tmp ;then
$hdp_cmd -mv $1.tmp $1
return 1
else
$hdp_cmd -rm -r -f -skipTrash $1.tmp
return 0
fi
else
return 0
fi
else
if $hdp_cmd -mkdir -p $3 ;then
$hdp_cmd -chmod 777 $3 && return 0 || return 4
else
return 3
fi
fi
}
# 此函数仅作上传处理，此函数需要五个参数
# $1 需要上传的本地文件
# $2 要上传到hdfs的目标文件
# $3 本地文件的大小byte
# $4 分配的超时时间
# $5 本地文件的du -sh的统计大小
ONLY_UPLOAD(){
if [[ $# -ne 5 ]];then
echo "`$log_date` $FUNCNAME Error: \$# != 5"|TEE
return 1
fi
if [[ ! -f $1 ]];then
echo "`$log_date` $FUNCNAME Error: \$1=$1 no such file"|TEE
return 1
fi
$hdp_cmd -put -f $1 $2.tmp &> /dev/null
if HDFS_SIZE_CHECK $3 $2.tmp ;then
$hdp_cmd -mv $2.tmp $2 &> /dev/null
local nowtime=`$timestamp` ; local costtime=`/usr/bin/expr $nowtime - $now_timestamp`
echo "`$log_date` $FUNCNAME $2 Upload Success $5 $costtime $4" >> $log_file
return 0
else
$hdp_cmd -rm -r -f -skipTrash $2.tmp &> /dev/null
return 1
fi
}
# 上传HDFS
PUT_TO_HDFS(){
if [[ $# -ne 3 ]];then
echo "`$log_date` $FUNCNAME Error: \$# 1= 3"|TEE
return 1
elif [[ ! -f $1 ]];then
echo "`$log_date` $FUNCNAME Error: \$1 Invalid File"|TEE
return 1
elif [[ ! -d $2 ]];then
echo "`$log_date` $FUNCNAME Error: \$2 Invalid Directory"|TEE
return 1
elif [[ -z $3 ]];then
echo "`$log_date` $FUNCNAME Error: \$3 is Empty"|TEE
return 1
fi
local list_sum=`cat $1|$wc_cmd -l`
if [[ $list_sum -ne 2 ]];then
echo "`$log_date` $FUNCNAME $1 is invalid pidfile"|TEE
return 2
fi
local local_file=`sed -n "1p" $1`
local local_size=`$bn_cmd $1|awk -F_ ‘{print $4}‘`
local hdfs_file=`echo $local_file|sed "s@$2@$3@1"`
local hdfs_dir=`/usr/bin/dirname $hdfs_file`
local valid_time=`$bn_cmd $1|awk -F_ ‘{print $NF}‘`
local filesize=`/usr/bin/du -sh $local_file|awk ‘{print $1}‘`
HDFS_LOCATION_CHECK $hdfs_file $local_size $hdfs_dir ; hlc_rev=$?
local nowtime=`$timestamp`
local costtime=`/usr/bin/expr $nowtime - $now_timestamp`
case $hlc_rev in
0)
ONLY_UPLOAD $local_file $hdfs_file $local_size $valid_time $filesize
if [[ $? -ne 0 ]] ;then
sed -n "1p" $1 >> $put_retry_list
local nowtime=`$timestamp` ; local costtime=`/usr/bin/expr $nowtime - $now_timestamp`
echo "`$log_date` ONLY_UPLOAD Upload Failed $filesize $costtime $valid_time" >> $log_file
fi
;;
1)
echo "`$log_date` $FUNCNAME $hdfs_file Upload Success $filesize $costtime $valid_time (check size)" >> $log_file ;;
2)
sed -n "1p" $1 >> $put_retry_list
echo "`$log_date` HDFS_LOCATION_CHECK Upload Failed: \$# != 2 $filesize $costtime $valid_time" >> $log_file ;;
3)
sed -n "1p" $1 >> $put_retry_list
echo "`$log_date` HDFS_LOCATION_CHECK Upload Failed: Can‘t create directory -> $hdfs_dir $filesize $costtime $valid_time" >> $log_file ;;
4)
sed -n "1p" $1 >> $put_retry_list
echo "`$log_date` HDFS_LOCATION_CHECK Upload Failed: Can‘t chmod 777 $hdfs_dir on the hdfs $filesize $costtime $valid_time" >> $log_file ;;
esac
rm -rf $1
}
PUT_TO_HDFS $1 $2 $3如果觉得代码复制麻烦，附件中提供了代码文件...转载请注明出处！谢谢！
我擦！！多上传的附件，后续编辑时不能删?还是我没找到....
本文出自 “自强不息” 博客，请务必保留此出处http://mos1989.blog.51cto.com/4226977/1589807
使用shell并发上传文件到hdfs
声明：以上内容来自用户投稿及互联网公开渠道收集整理发布，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任，若内容有误或涉及侵权可进行投诉： 投诉/举报 工作人员会在5个工作日内联系你，一经查实，本站将立刻删除涉嫌侵权内容。