關鍵字:hadoop hdfs 小文件、appendToFile、getmerge
衆所周知,HDFS中過多的小文件,會給NameNode造成很大的壓力,所謂的小文件,是指遠遠小於文件塊大小的文件。
在使用HDFS的過程中,應儘量避免生成過多的小文件。
本文以TextFile爲例,介紹一下從本地–>HDFS、HDFS–>本地、以及HDFS–>HDFS的文件上傳下載移動過程中,對小文件的合併方法。
將本地的小文件合併,上傳到HDFS
假設存放在本地的數據由很多個小文件組成,需要上傳到HDFS。一般的做法是在本地使用腳本、程序先把小文件合併後再上傳。
其實沒有必要,HDFS中提供了一個很有用的命令 appendToFile,就可以解決這個問題。
假設本地有兩個小文件1.txt和2.txt,裏面內容如下:
- [liuxiaowen@dev ~]$ cat 1.txt
- 111111
- 111111
- 111111
- 111111
- [liuxiaowen@dev ~]$ cat 2.txt
- 222222
- 222222
- 222222
- 222222
使用下面的命令,可以將1.txt和2.txt合併,並上傳到HDFS:
- [liuxiaowen@dev ~]$ hadoop fs -appendToFile 1.txt 2.txt hdfs://cdh5/tmp/lxw1234.txt
- [liuxiaowen@dev ~]$ hadoop fs -cat hdfs://cdh5/tmp/lxw1234.txt
- 111111
- 111111
- 111111
- 111111
- 222222
- 222222
- 222222
- 222222
下載HDFS的小文件到本地,合併成一個大文件
假設在HDFS的/tmp/lxw1234/目錄下,有兩個小文件1.txt和2.txt
需要將它們下載到本地的一個文件中。
- [liuxiaowen@dev ~]$ hadoop fs -cat /tmp/lxw1234/1.txt
- 111111
- 111111
- 111111
- 111111
- [liuxiaowen@dev ~]$ hadoop fs -cat /tmp/lxw1234/2.txt
- 222222
- 222222
- 222222
- 222222
使用下面的命令:
- [liuxiaowen@dev ~]$ hadoop fs -getmerge hdfs://cdh5/tmp/lxw1234/*.txt local_largefile.txt
- [liuxiaowen@dev ~]$ cat local_largefile.txt
- 111111
- 111111
- 111111
- 111111
- 222222
- 222222
- 222222
- 222222
合併HDFS上的小文件
如果需要合併HDFS上的某個目錄下有很多小文件,可以嘗試使用下面的命令:
- [liuxiaowen@dev ~]$ hadoop fs -cat hdfs://cdh5/tmp/lxw1234/*.txt | hadoop fs -appendToFile - hdfs://cdh5/tmp/hdfs_largefile.txt
- [liuxiaowen@dev ~]$ hadoop fs -cat hdfs://cdh5/tmp/hdfs_largefile.txt
- 111111
- 111111
- 111111
- 111111
- 222222
- 222222
- 222222
- 222222
注意:這種處理方法在數據量非常大的情況下可能不太適合,最好使用MapReduce來合併。