最初業務需求:將文件從ftp下到本地並上傳到hdfs,其中ftp到本地和本地到hdfs皆有文件完整性校驗,ftp到本地的邏輯由於和業務耦合度較高,因此本文不再敘述,這裏僅說一下從本地到hdfs的併發腳本相關說明及代碼實現。
測試環境: RHEL6.4 x86_64 / Hadoop 2.4.0.2.1.5.0-695
部分需求說明:
1、需要提供一個文件列表,以文件的形式,每行一個文件,所有文件有一個共同的父目錄,且文件是有效存在的,當然,不存在腳本也會判斷並記錄的。
2、需要提供一個hdfs的父路徑(絕對路徑),此路徑用於將本地文件的父路徑替換,此hdfs路徑需要執行腳本的用戶有讀寫權限,當然,沒有權限的話會報錯並記錄日誌。
3、可以併發上傳,可以設置併發個數,當然,會有最大個數限制(32,可直接修改相關變量)
4、可以檢測是否有已傳成功的,並忽略本地上傳(重複大文件特別節省時間)
5、可以根據提供的帶寬計算每個文件的上傳超時時間,並記錄日誌以便於調試合適的執行
6、上傳失敗的要記錄日誌,並計入重試列表,可自動處理重試列表
7、不匹配的文件要記錄日誌,並放入無效文件列表
8、一個時間段內腳本只能在系統中有一個正在運行的
9、文件完整性校驗通過對於文件的大小(未找到在hdfs上直接獲取某個文件的md5的方法...)
10、暫時就想到這麼多了...
部分邏輯說明:
1、文件上傳超時時間公式: 文件大小/總帶寬(默認5MB/s,)/併發個數+60
2、由於無法把函數單獨放入後臺執行,因此腳本分爲控制腳本和上傳腳本,用戶使用控制腳本即可。
3、上傳日誌,上傳列表文件,重試列表文件,上傳線程文件都放在/var/log/ftp_op目錄下
4、併發進程數必須爲正整數數字,如果輸入錯誤則報錯(但亂碼處理仍不太理想,算bug..)。併發進程數當大與32(ctrl_put.sh: 28行max_threads=32控制)時,則強制修改爲32;當上傳列表行數小於進程數時,則修改進程數爲上傳列表行數。
6、上某個線程超時,則將其需要上傳的文件放入重試列表,並kill掉其進程,刪除掉其標誌文件
7、上傳線程的標誌文件命名爲 前綴_線程id_時間戳_文件大小_超時時間
8、....不說了,代碼中有註釋.......
注:相關日誌格式;如下
1) 上傳成功日誌格式: 時間、具體操作函數、hdfs文件路徑、狀態、文件大小、上傳所用時間、分配的超時時間、有(check_size)表示此文件已存在,且對比大小一致,直接標價爲成功;日誌如下:
2)當要處理的文件的父路徑中沒有參數或變量定義的路徑時,日誌如下:
3)當上傳時,在hdfs上無法創建路徑,或者無法修改權限時,日誌如下:
4) 當文件大小對比失敗,或hdfs dfs -put命令執行失敗時,日誌如下:
5) 腳本中定義了其它相關報錯日誌,但由於筆者測試過程未出現相關報錯,也無法一一列出
腳本
腳本使用說明
計劃任務使用:
* * * * * /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
上述命令說明:
控制腳本: /opt/ctrl_put.sh
上傳教程: /opt/upload_thread.sh
線程: 10
本地文件列表中文件的父目錄: /opt/localfiles
要上傳到hdfs的父目錄: /tmp/ftpfiles
注: /opt/ctrl_put.sh腳本的第39行是文件上傳列表變量;40行是重試列表變量;38行是無效文件列表;19行是log_dir的變量,此路徑需要腳本執行者有所有權限
好吧,囉嗦了這麼久,見代碼如下
控制腳本: 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" # 檢查是否有本腳本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} # 日誌記錄函數 TEE(){ /usr/bin/tee -a $log_file } # 重試列表追加入當前列表 # 如果檢測到重試列表不爲空,追加進上傳列表 # 此函需要兩個參數 $1 $2 # $1 : 重試列表文件 # $2 : 標準處理列表 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 } # 線程個數策略,此函數需要提供兩個參數 # $1 : 原始上傳列表文件 # $2 : 用戶提供的線程個數 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 } # 超時失敗處理,此函數需要提供一個參數 # $1 : 超時線程的pid標識文件 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 } # 創建線程執行腳本所需文件,此函數需要兩個參數 # $1 : 線程執行腳本id號 # $2 : 要處理的具體文件的絕對路徑 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 } # 超時策略,此函數需要提供兩個參數 # $1 : 當前需要創建的線程個數id # $2 : 要處理文件的絕對路徑 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 } # 主控進程函數 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
上傳線程腳本: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=${5:-$log_dir/retry_put.list} timestamp="/bin/date +%s" now_timestamp=`$timestamp` [ ! -d $log_dir ] && mkdir -p $log_dir # 日誌記錄函數 TEE(){ /usr/bin/tee -a $log_file } # 本地和hdfs的文件大小對比函數 # 此函數需要兩個參數 $1 $2 # $1爲本地文件大小 $2爲hdfs文件路徑 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 } # 此函數需要三個參數 # $1 : hdfs的文件名 # $2 : 本地的對應文件的大小 # $3 : hdfs文件的目錄 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 } # 此函數僅作上傳處理,此函數需要五個參數 # $1 需要上傳的本地文件 # $2 要上傳到hdfs的目標文件 # $3 本地文件的大小byte # $4 分配的超時時間 # $5 本地文件的du -sh的統計大小 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 } # 上傳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
如果覺得代碼複製麻煩,附件中提供了代碼文件...轉載請註明出處!謝謝!
我擦!!多上傳的附件,後續編輯時不能刪?還是我沒找到....