hadoop 文件合并

来自：http://blog.csdn.net/dandingyy/article/details/7490046

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》

[java] view plaincopy

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:

[java] view plaincopy

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:

[java] view plaincopy

/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:

[java] view plaincopy

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);

}

}