使用Hadoop har归档历史文件（小文件）
?申明：本文转自http://heipark.iteye.com/blog/1356063
应用场景
我们的hdfs中保存大量小文件（当然不产生小文件是最佳实践），这样会把namenode的namespace搞的很大。namespace保存着hdfs文件的inode信息，文件越多需要的namenode内存越大，但内存毕竟是有限的（这个是目前hadoop的硬伤）。
下面图片展示了，har文档的结构。har文件是通过mapreduce生成的，job结束后源文件不会删除。
?
?
har命令说明? 参数“-p”为src path的前缀? src可以写多个path
?
archive -archiveName NAME -p <parent path> <src>* <dest>生成HAR文件单个src文件夹：?
hadoop archive -archiveName 419.har -p /fc/src/20120116/ 419 /user/heipark多个src文件夹hadoop archive -archiveName combine.har -p /fc/src/20120116/ 419 512 334 /user/heipark不指定src path，直接归档parent path（本例为“?/fc/src/20120116/?”，?“?/user/heipark?”仍然为输出path），这招是从源码里翻出来的，嘿嘿。hadoop archive -archiveName combine.har -p /fc/src/20120116/ /user/heipark?
?使用模式匹配的src path，下面的示例归档10、11、12月文件夹的数据。这招也是从源码发出来的。hadoop archive -archiveName combine.har -p /fc/src/2011 1[0-2] /user/heipark?查看HAR文件hadoop fs -ls har:////user/heipark/20120108_15.har/
#输出如下：
drw-r--r-- - hdfs hadoop 0 2012-01-17 16:30 /user/heipark/20120108_15.har/2025
drw-r--r-- - hdfs hadoop 0 2012-01-17 16:30 /user/heipark/20120108_15.har/2029
?
?#使用hdfs文件系统查看har文件
hadoop fs -ls /user/yue.zhang/20120108_15.har/?
#输出如下：
-rw-r--r-- 2 hdfs hadoop 0 2012-01-17 16:30 /user/heipark/20120108_15.har/_SUCCESS
-rw-r--r-- 5 hdfs hadoop 2411 2012-01-17 16:30 /user/heipark/20120108_15.har/_index
-rw-r--r-- 5 hdfs hadoop 24 2012-01-17 16:30 /user/heipark/20120108_15.har/_masterindex
-rw-r--r-- 2 hdfs hadoop 191963 2012-01-17 16:30 /user/heipark/20120108_15.har/part-0?
Har Java API (HarFileSystem )
?
Java代码?
?
public?static?void?main(String[]?args)?throws?Exception?{ ??????Configuration?conf?=?new?Configuration(); ??????conf.set("fs.default.name",?"hdfs://xxx.xxx.xxx.xxx:9000"); ?????????? ??????HarFileSystem?fs?=?new?HarFileSystem(); ??????fs.initialize(new?URI("har:///user/heipark/20120108_15.har"),?conf); ??????FileStatus[]?listStatus?=?fs.listStatus(new?Path("sub_dir")); ??????for?(FileStatus?fileStatus?:?listStatus)?{ ??????????System.out.println(fileStatus.getPath().toString()); ??????} ??}??
?
?
参考文章：
http://denqiang.com/?m=20111114
http://c.hocobo.net/2010/08/05/har/
?
hadoop archive -archiveName 419.har -p /fc/src/20120116/ 419 /user/heipark- 多个src文件夹hadoop archive -archiveName combine.har -p /fc/src/20120116/ 419 512 334 /user/heipark
- 不指定src path，直接归档parent path（本例为“?/fc/src/20120116/?”，?“?/user/heipark?”仍然为输出path），这招是从源码里翻出来的，嘿嘿。hadoop archive -archiveName combine.har -p /fc/src/20120116/ /user/heipark
?
- ?使用模式匹配的src path，下面的示例归档10、11、12月文件夹的数据。这招也是从源码发出来的。hadoop archive -archiveName combine.har -p /fc/src/2011 1[0-2] /user/heipark?
查看HAR文件hadoop fs -ls har:////user/heipark/20120108_15.har/
#输出如下：
drw-r--r-- - hdfs hadoop 0 2012-01-17 16:30 /user/heipark/20120108_15.har/2025
drw-r--r-- - hdfs hadoop 0 2012-01-17 16:30 /user/heipark/20120108_15.har/2029
?
?#使用hdfs文件系统查看har文件hadoop fs -ls /user/yue.zhang/20120108_15.har/?
#输出如下：
-rw-r--r-- 2 hdfs hadoop 0 2012-01-17 16:30 /user/heipark/20120108_15.har/_SUCCESS
-rw-r--r-- 5 hdfs hadoop 2411 2012-01-17 16:30 /user/heipark/20120108_15.har/_index
-rw-r--r-- 5 hdfs hadoop 24 2012-01-17 16:30 /user/heipark/20120108_15.har/_masterindex
-rw-r--r-- 2 hdfs hadoop 191963 2012-01-17 16:30 /user/heipark/20120108_15.har/part-0
?
Har Java API (HarFileSystem )
?
Java代码?
?
- public?static?void?main(String[]?args)?throws?Exception?{ ??????Configuration?conf?=?new?Configuration(); ??????conf.set("fs.default.name",?"hdfs://xxx.xxx.xxx.xxx:9000"); ?????????? ??????HarFileSystem?fs?=?new?HarFileSystem(); ??????fs.initialize(new?URI("har:///user/heipark/20120108_15.har"),?conf); ??????FileStatus[]?listStatus?=?fs.listStatus(new?Path("sub_dir")); ??????for?(FileStatus?fileStatus?:?listStatus)?{ ??????????System.out.println(fileStatus.getPath().toString()); ??????} ??}??
?
?
参考文章：
http://denqiang.com/?m=20111114
http://c.hocobo.net/2010/08/05/har/