Hadoop HDFS之SequenceFile和MapFile

來源:http://blog.csdn.net/keda8997110/article/details/8514908

Hadoop的HDFS和MapReduce子框架主要是針對大數據文件來設計的，在小文件的處理上不但效率低下，而且十分消耗磁盤空間(每一個小文件佔用一個Block,HDFS默認block大小爲64M)。解決辦法通常是選擇一個容器，將這些小文件組織起來統一存儲。HDFS提供了兩種類型的容器，分別是SequenceFile和MapFile。

一、SequenceFile

SequenceFile的存儲類似於Log文件，所不同的是Log File的每條記錄的是純文本數據，而SequenceFile的每條記錄是可序列化的字符數組。

SequenceFile可通過如下API來完成新記錄的添加操作:

        fileWriter.append(key,value)

可以看到，每條記錄以鍵值對的方式進行組織，但前提是Key和Value需具備序列化和反序列化的功能

Hadoop預定義了一些Key Class和Value Class，他們直接或間接實現了Writable接口，滿足了該功能，包括：

Text                                等同於Java中的String
IntWritable                   等同於Java中的Int
BooleanWritable        等同於Java中的Boolean
        .
        .

在存儲結構上，SequenceFile主要由一個Header後跟多條Record組成，如圖所示：

Header主要包含了Key classname，Value classname，存儲壓縮算法，用戶自定義元數據等信息，此外，還包含了一些同步標識，用於快速定位到記錄的邊界。

每條Record以鍵值對的方式進行存儲，用來表示它的字符數組可依次解析成：記錄的長度、Key的長度、Key值和Value值，並且Value值的結構取決於該記錄是否被壓縮。

數據壓縮有利於節省磁盤空間和加快網絡傳輸，SeqeunceFile支持兩種格式的數據壓縮，分別是：record compression和block compression。

record compression如上圖所示，是對每條記錄的value進行壓縮

block compression是將一連串的record組織到一起，統一壓縮成一個block，如圖所示：

block信息主要存儲了：塊所包含的記錄數、每條記錄Key長度的集合、每條記錄Key值的集合、每條記錄Value長度的集合和每條記錄Value值的集合

注：每個block的大小是可通過io.seqfile.compress.blocksize屬性來指定的

示例：SequenceFile讀/寫 操作

Configuration conf=new Configuration();
FileSystem fs=FileSystem.get(conf);
Path seqFile=new Path("seqFile.seq");
//Reader內部類用於文件的讀取操作
SequenceFile.Reader reader=new SequenceFile.Reader(fs,seqFile,conf);
//Writer內部類用於文件的寫操作,假設Key和Value都爲Text類型
SequenceFile.Writer writer=new SequenceFile.Writer(fs,conf,seqFile,Text.class,Text.class);
//通過writer向文檔中寫入記錄
writer.append(new Text("key"),new Text("value"));
IOUtils.closeStream(writer);//關閉write流
//通過reader從文檔中讀取記錄
Text key=new Text();
Text value=new Text();
while(reader.next(key,value)){
    System.out.println(key);
    System.out.println(value);
}
IOUtils.closeStream(reader);//關閉read流

二、MapFile

MapFile是排序後的SequenceFile,通過觀察其目錄結構可以看到MapFile由兩部分組成，分別是data和index。

index作爲文件的數據索引，主要記錄了每個Record的key值，以及該Record在文件中的偏移位置。在MapFile被訪問的時候,索引文件會被加載到內存，通過索引映射關係可迅速定位到指定Record所在文件位置，因此，相對SequenceFile而言，MapFile的檢索效率是高效的，缺點是會消耗一部分內存來存儲index數據。

需注意的是，MapFile並不會把所有Record都記錄到index中去，默認情況下每隔128條記錄存儲一個索引映射。當然，記錄間隔可人爲修改，通過MapFIle.Writer的setIndexInterval()方法，或修改io.map.index.interval屬性；

另外，與SequenceFile不同的是，MapFile的KeyClass一定要實現WritableComparable接口,即Key值是可比較的。

示例：MapFile讀寫操作

Configuration conf=new Configuration();
FileSystem fs=FileSystem.get(conf);
Path mapFile=new Path("mapFile.map");
//Reader內部類用於文件的讀取操作
MapFile.Reader reader=new MapFile.Reader(fs,mapFile.toString(),conf);
//Writer內部類用於文件的寫操作,假設Key和Value都爲Text類型
MapFile.Writer writer=new MapFile.Writer(conf,fs,mapFile.toString(),Text.class,Text.class);
//通過writer向文檔中寫入記錄
writer.append(new Text("key"),new Text("value"));
IOUtils.closeStream(writer);//關閉write流
//通過reader從文檔中讀取記錄
Text key=new Text();
Text value=new Text();
while(reader.next(key,value)){
    System.out.println(key);
    System.out.println(key);
}
IOUtils.closeStream(reader);//關閉read流

注意：使用MapFile或SequenceFile雖然可以解決HDFS中小文件的存儲問題，但也有一定侷限性，如：
1.文件不支持複寫操作，不能向已存在的SequenceFile(MapFile)追加存儲記錄
2.當write流不關閉的時候，沒有辦法構造read流。也就是在執行文件寫操作的時候，該文件是不可讀取的