HDFS小文件治理總結(jié)，你學會了嗎？
隨著大數(shù)據(jù)時代的到來，數(shù)據(jù)量不斷增長，HDFS也成為了數(shù)據(jù)存儲和處理的重要組成部分。然而，由于HDFS的設計原理和文件存儲方式，HDFS系統(tǒng)中存在大量的小文件，這些小文件會導致HDFS的性能下降，增加管理和維護的難度，嚴重影響數(shù)據(jù)處理效率和數(shù)據(jù)質(zhì)量。因此，HDFS小文件的治理變得越來越重要。
一、HDFS小文件的問題影響
HDFS小文件通常指文件大小小于HDFS塊（Block）大小（默認為128MB）的文件。在HDFS系統(tǒng)中，小文件會帶來以下問題：
1.占用過多的存儲空間：由于HDFS文件系統(tǒng)的特點，每個文件都會占用一個獨立的Block，因此大量的小文件會導致內(nèi)存空間的浪費，增加HDFS系統(tǒng)的內(nèi)存開銷；
2.影響數(shù)據(jù)處理效率：HDFS是為大量的數(shù)據(jù)處理而設計的，而小文件會導致數(shù)據(jù)處理效率下降，增加數(shù)據(jù)處理時間和開銷；
3.增加管理和維護難度：當HDFS系統(tǒng)中存在大量的小文件時，管理和維護變得更加困難，需要耗費更多的精力和時間來維護系統(tǒng)。
二、HDFS小文件的治理方法
針對HDFS小文件的問題，有以下幾種治理方法：
1.合并小文件：將多個小文件合并為一個大文件，減少文件數(shù)量。這種方法需要注意文件的內(nèi)容和格式，以免合并后的文件無法使用或者存在數(shù)據(jù)丟失等問題；
2.壓縮文件：將多個小文件壓縮為一個壓縮包，減少存儲空間。這種方法可以使用Hadoop自帶的壓縮工具，如gzip、bzip2等；
3.刪除無用文件：刪除不再需要的小文件，釋放存儲空間；
4.設置文件過期時間：對于不再需要的文件，可以設置其過期時間，自動刪除過期文件；
5.使用SequenceFile：使用Hadoop自帶的SequenceFile格式存儲小文件，將多個小文件合并到一個SequenceFile中，以減少文件數(shù)量，提高處理效率。
3、HDFS小文件治理的實踐案例
以下是一些HDFS小文件治理的實踐案例：
1.合并小文件：對于日志文件等大量的小文件，可以使用Hadoop自帶的合并工具將多個小文件合并為一個大文件。下面是通過hive的重寫方式合并小文件，核心參數(shù)如下；
set hive.input.format = org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;
set hive.merge.mapfiles = true;
set hive.merge.mapredfiles = true;
set hive.merge.smallfiles.avgsize=256000000;
set hive.merge.size.per.task=12800000;
set mapred.max.split.size=256000000;
set mapred.min.split.size=64000000;
set mapred.min.split.size.per.node=64000000;
set mapred.min.split.size.per.rack=64000000;2.壓縮文件：對于大量的小文件，可以使用壓縮工具將多個小文件壓縮為一個壓縮包，以減少存儲空間。例如，使用gzip或bzip2壓縮工具壓縮文件，在HDFS上存儲壓縮文件，以減少存儲空間和文件數(shù)量；
3.刪除無用文件：對于不再需要的小文件，可以使用Hadoop自帶的命令hadoop fs -rm命令刪除文件，或者使用定時任務腳本定期刪除過期文件；
4.設置文件過期時間：使用hadoop fs -touchz命令設置文件的過期時間，當文件過期后，自動刪除文件。例如，使用hadoop fs -touchz命令設置文件的過期時間為30天，當文件超過30天未被訪問時，自動刪除文件；
5.使用SequenceFile：對于大量的小文件，可以使用SequenceFile格式存儲文件，將多個小文件合并成一個SequenceFile文件。例如，使用Hadoop自帶的SequenceFile.Writer類將多個小文件寫入SequenceFile文件中，以減少存儲空間和文件數(shù)量。
4、HDFS小文件監(jiān)控
HDFS的fsimage是HDFS文件系統(tǒng)的一個重要組成部分，記錄了HDFS文件系統(tǒng)的元數(shù)據(jù)信息，包括文件、目錄、權(quán)限、塊等信息。通過監(jiān)控HDFS的fsimage，可以了解HDFS文件系統(tǒng)的整體情況，包括文件數(shù)量、文件大小、文件類型等信息，進而實現(xiàn)對HDFS小文件的監(jiān)控和治理。
具體來說，可以通過以下步驟對HDFS小文件進行監(jiān)控：
1.獲取HDFS的fsimage：使用Hadoop自帶的命令hdfs oiv -p XML -i fsimage命令獲取HDFS的fsimage文件。該命令會將HDFS的fsimage文件以XML格式輸出，包括HDFS中所有文件和目錄的元數(shù)據(jù)信息；
2.解析fsimage文件：使用Python等腳本語言解析獲取到的fsimage文件，提取其中的文件、目錄、塊等信息?？梢允褂肞ython的ElementTree模塊等工具對XML文件進行解析，提取需要的信息；
3.統(tǒng)計文件數(shù)量和文件大?。焊鶕?jù)解析后的文件信息，統(tǒng)計HDFS中小文件的數(shù)量和大小。通?？梢愿鶕?jù)文件大小和文件數(shù)量的閾值來定義小文件，例如文件大小小于128MB或文件數(shù)量小于1000個等；
4.可視化展示：使用可視化工具，如Grafana、Kibana等將統(tǒng)計結(jié)果進行可視化展示，以便于對HDFS小文件的監(jiān)控和管理。
5、HDFS小文件監(jiān)控案例
下面是解析HDFS的fsimage文件，導入hive表進行分析得到最終結(jié)果表導入clickhouse通過grafana進行數(shù)據(jù)展示；
解析fsimage文件為txt文件：
hdfs oiv -i fsimage_0000000192578352133 -o /data2/data/fsimage/$day/fsimage.txt -p Delimited -t /data2/data/fsimage/$day/tmpfsimage文件重要的字段釋義：
INODE_ID：文件或目錄的唯一標識符；
NAME：文件或目錄的名稱；
PARENT_ID：父目錄的INODE_ID；
MODIFICATION_TIME：最后修改時間；
ACCESS_TIME：最后訪問時間；
BLOCK_IDS：文件的數(shù)據(jù)塊ID列表；
BLOCK_SIZE：數(shù)據(jù)塊大?。?NUM_BLOCKS：數(shù)據(jù)塊數(shù)量；
PERMISSIONS：文件或目錄的權(quán)限信息；
USER_NAME：文件或目錄所屬用戶；
GROUP_NAME：文件或目錄所屬用戶組；
SYMLINK：如果是符號鏈接，則包含符號鏈接的目標路徑；
UNDER_CONSTRUCTION：如果文件正在寫入中，則為true；
UNDER_RECOVERY：如果文件正在恢復中，則為true；
FILE_LENGTH：文件長度；
NS_QUOTA：命名空間配額；
DS_QUOTA：磁盤配額；
STORAGE_POLICY：存儲策略。下面是基于解析后的文件映射到hive表最終處理后的數(shù)據(jù)表和最終數(shù)據(jù)樣例：
CREATE TABLE `tmp_fsimage_info_log_clean`(
`path` string,
`replication` int,
`db` string,
`table_name` string,
`parttition_nm1` string,
`parttition_nm2` string,
`parttition_nm3` string,
`file_name` string,
`modificationtime` string,
`accesstime` string,
`preferredblocksize_mb` decimal(20,5),
`blockscount` int,
`filesize_mb` decimal(20,5),
`filesize_gb` decimal(20,5),
`username` string,
`groupname` string)
PARTITIONED BY (
`stat_day` string COMMENT '分區(qū)時間:yyyy-mm-dd')
ROW FORMAT SERDE
'org.apache.hadoop.hive.ql.io.orc.OrcSerde'
STORED AS INPUTFORMAT
'org.apache.hadoop.hive.ql.io.orc.OrcInputFormat'
OUTPUTFORMAT
'org.apache.hadoop.hive.ql.io.orc.OrcOutputFormat'
同步hive數(shù)據(jù)到CK的工具使用的是seatunnel，下面貼一份相關(guān)的配置文件：
env {
spark.app.name = "hive_to_clickhouse"
spark.executor.instances = 10
spark.executor.cores = 4
spark.executor.memory = "12g"
}
source {
file {
path = "hdfs://ds01:8020/user/hive/warehouse/paas_test.db/db_table_file_all/stat_day="${day}""
result_table_name = "db_table_file_all"
format = "orc"
}
}
transform {
sql {
sql = "SELECT '"${dayStr}"' as stat_day, _col0 as db, _col1 as table_name,_col2 as sum_filesize,_col3 as count_filesize,_col4 as count_filesize_less_10,_col5 as count_filesize_less_50,_col6 as count_filesize_less_150,_col7 as count_filesize_less_250,_col8 as count_filesize_less_300,_col9 as count_filesize_less_10_diff,_col10 as count_filesize_less_50_diff,_col11 as count_filesize_less_150_diff,_col12 as count_filesize_less_250_diff,_col13 as count_filesize_less_300_diff,_col14 as table_storage_increase,_col15 as count_filesize_diff,_col16 as latest_accesstime from db_table_file_all"
}
}
sink {
clickhouse {
host = "ds03:8123"
clickhouse.socket_timeout = 50000
database = "fsimage_info"
table = "db_table_file_all"
fields = ["db","table_name","sum_filesize","count_filesize","count_filesize_less_10","count_filesize_less_50","count_filesize_less_150","count_filesize_less_250","count_filesize_less_300","count_filesize_less_10_diff","count_filesize_less_50_diff","count_filesize_less_150_diff","count_filesize_less_250_diff","count_filesize_less_300_diff","table_storage_increase","count_filesize_diff","latest_accesstime","stat_day"]
username = ""
password = ""
}
}最終展示在grafana中效果：
本文轉(zhuǎn)載自微信公眾號「滌生大數(shù)據(jù)」，作者「滌生-強哥」，可以通過以下二維碼關(guān)注。轉(zhuǎn)載本文請聯(lián)系「滌生大數(shù)據(jù)」公眾號。
