hadoop小文件合并

1、背景

　　在实际项目中，输入数据往往是由许多小文件组成，这里的小文件是指小于HDFS系统Block大小的文件（默认128M）， 然而每一个存储在HDFS中的文件、目录和块都映射为一个对象，存储在NameNode服务器内存中，通常占用150个字节。 如果有1千万个文件，就需要消耗大约3G的内存空间。如果是10亿个文件呢，简直不可想象。所以在项目开始前， 我们选择一种适合的方案来解决本项目的小文件问题

2、介绍

　　本地 D:\data目录下有 2012-09-17 至 2012-09-23 一共7天的数据集，我们需要将这7天的数据集按日期合并为7个大文件上传至 HDFS

3、数据

　　本地 D:\data目录下的所有数据，如下图所示

　　

4、分析

　　基于项目的需求，我们通过下面几个步骤完成

　　1、获取 D:\data目录下的所有日期路径，循环所有日期路径，通过globStatus()方法获取所有txt格式文件路径。

　　2、最后通过IOUtils.copyBytes(in, out, 4096, false)方法将数据集合并为大文件，并上传至 HDFS

5、实现

　　自定义RegexAcceptPathFilter类实现 PathFilter，比如只接受D:\data\2012-09-17日期目录下txt格式的文件

/** 
* @ProjectName FileMerge
* @PackageName com.buaa
* @ClassName RegexAcceptPathFilter
* @Description 接受 regex 格式的文件
* @Author 刘吉超
* @Date 2016-04-18 21:58:07
*/
public static class RegexAcceptPathFilter implements PathFilter {
    private final String regex;
    public RegexAcceptPathFilter(String regex) {
        this.regex = regex;
    }
    @Override
    public boolean accept(Path path) {
        boolean flag = path.toString().matches(regex);
        return flag;
    }
}

　　实现主程序 merge 方法，完成数据集的合并，并上传至 HDFS

/**
 * 合并
 * 
 * @param srcPath 源目录
 * @param destPath 目标目录
 */
public static void merge(String srcPath,String destPath) {
    try{
        // 读取hadoop文件系统的配置
        Configuration conf = new Configuration();
        
        // 获取远端文件系统
        URI uri = new URI(HDFSUri);
        FileSystem remote = FileSystem.get(uri, conf);
            
        // 获得本地文件系统
        FileSystem local = FileSystem.getLocal(conf);
            
        // 获取data目录下的所有文件路径
        Path[] dirs = FileUtil.stat2Paths(local.globStatus(new Path(srcPath)));
            
        FSDataOutputStream out = null;
        FSDataInputStream in = null;
        
        for (Path dir : dirs) {
            // 文件名称
            String fileName = dir.getName().replace("-", "");
            // 只接受目录下的.txt文件
            FileStatus[] localStatus = local.globStatus(new Path(dir + "/*"), new RegexAcceptPathFilter("^.*.txt$"));
            // 获得目录下的所有文件
            Path[] listedPaths = FileUtil.stat2Paths(localStatus);
            // 输出路径
            Path block = new Path(destPath + "/" + fileName + ".txt");
            // 打开输出流
            out = remote.create(block);            
            for (Path p : listedPaths) {
                // 打开输入流
                in = local.open(p);
                // 复制数据
                IOUtils.copyBytes(in, out, 4096, false);
                // 关闭输入流
                in.close();
            }
            if (out != null) {
                // 关闭输出流
                out.close();
            }
        }
    }catch(Exception e){
        logger.error("", e);
    }
}

6、一些运行代码

/**
 * main方法
 * 
 * @param args
 */
public static void main(String[] args) {
    merge("D:\\data\\*","/buaa/tv");
}

7、结果

    

如果，您认为阅读这篇博客让您有些收获，不妨点击一下右下角的【推荐】。
如果，您希望更容易地发现我的新博客，不妨点击一下左下角的【关注我】。
如果，您对我的博客所讲述的内容有兴趣，请继续关注我的后续博客，我是【刘超★ljc】。

本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。

代码及数据：下载