浅谈 hadoop 文件合并

众所周知，Hadoop对处理单个大文件比处理多个小文件更有效率，另外单个文件也非常占用HDFS的存储空间。所以往往要将其合并起来。

1，getmerge

hadoop有一个命令行工具getmerge，用于将一组HDFS上的文件复制到本地计算机以前进行合并

参考：http://hadoop.apache.org/common/docs/r0.19.2/cn/hdfs_shell.html

使用方法：hadoop fs -getmerge <src> <localdst> [addnl]

接受一个源目录和一个目标文件作为输入，并且将源目录中所有的文件连接成本地目标文件。addnl是可选的，用于指定在每个文件结尾添加一个换行符。

多嘴几句：调用文件系统(FS)Shell命令应使用 bin/hadoop fs <args>的形式。 所有的的FS shell命令使用URI路径作为参数。URI格式是scheme://authority/path。

2.putmerge

将本地小文件合并上传到HDFS文件系统中。

一种方法可以现在本地写一个脚本，先将一个文件合并为一个大文件，然后将整个大文件上传，这种方法占用大量的本地磁盘空间；

另一种方法如下，在复制的过程中上传。参考：《hadoop in action》

 import java.io.IOException;

 import org.apache.hadoop.conf.Configuration;
 import org.apache.hadoop.fs.FSDataInputStream;
 import org.apache.hadoop.fs.FSDataOutputStream;
 import org.apache.hadoop.fs.FileStatus;
 import org.apache.hadoop.fs.FileSystem;
 import org.apache.hadoop.fs.Path;
 import org.apache.hadoop.io.IOUtils;

 //参数1为本地目录，参数2为HDFS上的文件
 public class PutMerge {

     public static void putMergeFunc(String LocalDir, String fsFile) throws IOException
     {
         Configuration  conf = new Configuration();
         FileSystem fs = FileSystem.get(conf);       //fs是HDFS文件系统
         FileSystem local = FileSystem.getLocal(conf);   //本地文件系统

         Path localDir = new Path(LocalDir);
         Path HDFSFile = new Path(fsFile);

         FileStatus[] status =  local.listStatus(localDir);  //得到输入目录
         FSDataOutputStream out = fs.create(HDFSFile);       //在HDFS上创建输出文件

         for(FileStatus st: status)
         {
             Path temp = st.getPath();
             FSDataInputStream in = local.open(temp);
             IOUtils.copyBytes(in, out, 4096, false);    //读取in流中的内容放入out
             in.close(); //完成后，关闭当前文件输入流
         }
         out.close();
     }
     public static void main(String [] args) throws IOException
     {
         String l = "/home/kqiao/hadoop/MyHadoopCodes/putmergeFiles";
         String f = "hdfs://ubuntu:9000/user/kqiao/test/PutMergeTest";
         putMergeFunc(l,f);
     }
 }

3.将小文件打包成SequenceFile的MapReduce任务

来自：《hadoop权威指南》

实现将整个文件作为一条记录处理的InputFormat:

 public class WholeFileInputFormat
     extends FileInputFormat<NullWritable, BytesWritable> {

   @Override
   protected boolean isSplitable(JobContext context, Path file) {
     return false;
   }

   @Override
   public RecordReader<NullWritable, BytesWritable> createRecordReader(
       InputSplit split, TaskAttemptContext context) throws IOException,
       InterruptedException {
     WholeFileRecordReader reader = new WholeFileRecordReader();
     reader.initialize(split, context);
     return reader;
   }
 }

实现上面类中使用的定制的RecordReader:

 /实现一个定制的RecordReader，这六个方法均为继承的RecordReader要求的虚函数。
 //实现的RecordReader，为自定义的InputFormat服务
 public class WholeFileRecordReader extends RecordReader<NullWritable, BytesWritable>{

     private FileSplit fileSplit;
     private Configuration conf;
     private BytesWritable value = new BytesWritable();
     private boolean processed = false;
     @Override
     public void close() throws IOException {
         // do nothing
     }

     @Override
     public NullWritable getCurrentKey() throws IOException,
             InterruptedException {
         return NullWritable.get();
     }

     @Override
     public BytesWritable getCurrentValue() throws IOException,
             InterruptedException {
         return value;
     }

     @Override
     public float getProgress() throws IOException, InterruptedException {
         return processed? 1.0f : 0.0f;
     }

     @Override
     public void initialize(InputSplit split, TaskAttemptContext context)
             throws IOException, InterruptedException {
         this.fileSplit = (FileSplit) split;
         this.conf = context.getConfiguration();
     }

     //process表示记录是否已经被处理过
     @Override
     public boolean nextKeyValue() throws IOException, InterruptedException {
         if (!processed) {
             byte[] contents = new byte[(int) fileSplit.getLength()];
             Path file = fileSplit.getPath();
             FileSystem fs = file.getFileSystem(conf);
             FSDataInputStream in = null;
             try {
               in = fs.open(file);
                               //将file文件中 的内容放入contents数组中。使用了IOUtils实用类的readFully方法，将in流中得内容放入
               //contents字节数组中。
               IOUtils.readFully(in, contents, 0, contents.length);
               //BytesWritable是一个可用做key或value的字节序列，而ByteWritable是单个字节。
                                 //将value的内容设置为contents的值
               value.set(contents, 0, contents.length);
             } finally {
               IOUtils.closeStream(in);
             }
             processed = true;
             return true;
           }
           return false;
     }
 }

将小文件打包成SequenceFile:

 public class SmallFilesToSequenceFileConverter extends Configured implements Tool{

     //静态内部类，作为mapper
     static class SequenceFileMapper extends Mapper<NullWritable, BytesWritable, Text, BytesWritable>
     {
         private Text filenameKey;

         //setup在task开始前调用，这里主要是初始化filenamekey
         @Override
         protected void setup(Context context)
         {
             InputSplit split = context.getInputSplit();
             Path path = ((FileSplit) split).getPath();
             filenameKey = new Text(path.toString());
         }
         @Override
         public void map(NullWritable key, BytesWritable value, Context context)
                 throws IOException, InterruptedException{
             context.write(filenameKey, value);
         }
     }

     @Override
     public int run(String[] args) throws Exception {
         Configuration conf = new Configuration();
         Job job = new Job(conf);
         job.setJobName("SmallFilesToSequenceFileConverter");

         FileInputFormat.addInputPath(job, new Path(args[0]));
         FileOutputFormat.setOutputPath(job, new Path(args[1]));

         //再次理解此处设置的输入输出格式。。。它表示的是一种对文件划分，索引的方法
         job.setInputFormatClass(WholeFileInputFormat.class);
         job.setOutputFormatClass(SequenceFileOutputFormat.class);

         //此处的设置是最终输出的key/value，一定要注意！
         job.setOutputKeyClass(Text.class);
         job.setOutputValueClass(BytesWritable.class);

         job.setMapperClass(SequenceFileMapper.class);

         return job.waitForCompletion(true) ? 0 : 1;
     }

     public static void main(String [] args) throws Exception
     {
         int exitCode = ToolRunner.run(new SmallFilesToSequenceFileConverter(), args);
         System.exit(exitCode);
     }
 }