HDFS中小文件的存储方式.docxVIP

Hadoop的HDFS和MapReduce子框架主要是针对大数据文件来设计的，在小文件的处理上不但效率低下，而且十分消耗内存资源(每一个小 文件占用一个Block,每一个block的元数据都存储在namenode的内存里)。解决办法通常是选择一个容器，将这些小文件组织起来统一存储。 HDFS提供了两种类型的容器，分别是SequenceFile和MapFile。 一、SequenceFile SequenceFile的存储类似于Log文件，所不同的是Log File的每条记录的是纯文本数据，而SequenceFile的每条记录是可序列化的字符数组。 SequenceFile可通过如下API来完成新记录的添加操作: fileWriter.append(key,value) 可以看到，每条记录以键值对的方式进行组织，但前提是Key和Value需具备序列化和反序列化的功能 Hadoop预定义了一些Key Class和Value Class，他们直接或间接实现了Writable接口，满足了该功能，包括： Text 等同于Java中的StringIntWritabl 等同于Java中的IntBooleanWritable 等同于Java中???Boolean 在存储结构上，SequenceFile主要由一个Header后跟多条Record组成，如图所示： Header主要包含了Key classname，Value classname，存储压缩算法，用户自定义元数据等信息，此外，还包含了一些同步标识，用于快速定位到记录的边界。 每条Record以键值对的方式进行存储，用来表示它的字符数组可依次解析成：记录的长度、Key的长度、Key值和Value值，并且Value值的结构取决于该记录是否被压缩。 数据压缩有利于节省磁盘空间和加快网络传输，SeqeunceFile支持两种格式的数据压缩，分别是：record compression和block compression。 record compression如上图所示，是对每条记录的value进行压缩 block compression是将一连串的record组织到一起，统一压缩成一个block，如图所示： block信息主要存储了：块所包含的记录数、每条记录Key长度的集合、每条记录Key值的集合、每条记录Value长度的集合和每条记录Value值的集合 注：每个block的大小是可通过press.blocksize属性来指定的 示例：SequenceFile读/写 操作 Configuration?conf=new?Configuration();?? FileSystem?fs=FileSystem.get(conf);?? Path?seqFile=new?Path(seqFile.seq);?? //Reader内部类用于文件的读取操作?? SequenceFile.Reader?reader=new?SequenceFile.Reader(fs,seqFile,conf);?? //Writer内部类用于文件的写操作,假设Key和Value都为Text类型?? SequenceFile.Writer?writer=new?SequenceFile.Writer(fs,conf,seqFile,Text.class,Text.class);?? //通过writer向文档中写入记录?? writer.append(new?Text(key),new?Text(value));?? IOUtils.closeStream(writer);//关闭write流?? //通过reader从文档中读取记录?? Text?key=new?Text();?? Text?value=new?Text();?? while(reader.next(key,value)){?? ????System.out.println(key);?? ????System.out.println(value);?? }?? IOUtils.closeStream(reader);//关闭read流?二、MapFile MapFile是排序后的SequenceFile,通过观察其目录结构可以看到MapFile由两部分组成，分别是data和index。 index作为文件的数据索引，主要记录了每个Record的key值，以及该Record在文件中的偏移位置。在MapFile被访问的时候,索 引文件会被加载到内存，通过索引映射关系可迅速定位到指定Record所在文件位置，因此，相对SequenceFile而言，MapFile的检索效率 是高效的，缺点是会消耗一部分内存来存储index数据。 需注意的