HDFS辅助工具-文件归档工具archive

1、背景：

• HDFS并不擅长存储小文件，因为每个文件最少一个block，每个block的元数据都会在NameNode占用内存
• 如果存在大量的小文件，它们会吃掉NameNode节点的大量内存。如下所示，模拟小文件场景：

2、概述：

• Hadoop Archive可以有效的处理以上问题，它可以把多个文件归档成为一个文件；
• 归档成一个文件后还可以透明的访问之前的每一个文件

3、创建档案

• Usage: hadoop archive -archiveName name -p <parent> <src>* <dest>
  • -archiveName 指要创建的存档的名称。扩展名应该是*.har
  • -p 指定文件档案文件src的相对路径。

比如：-p /foo/bar a/b/c e/f/g，这里的/foo/bar是a/b/c与e/f/g的父路径，所以完整路径为/foo/bar/a/b/c与/foo/bar/e/f/g。

案例：存档一个目录 /smallfile下的所有文件：

hadoop archive -archiveName test.har -p /smallfile /outputdir

• 这样就会在/outputdir目录下创建一个名为test.har的存档文件。
• 注意：Archive归档是通过MapReduce程序完成的，需要启动YARN集群。

4、查看归档之前的样子

• 在查看har文件的时候，如果没有指定访问协议，默认使用的是hdfs:// ，此时所能看到的就是归档之后的样子
• 此外，Archive还提供了自己的har uri访问协议。如果用har uri去访问的话，索引、标识等文件就会隐藏起来，只显示创建档案之前的原文件：

Hadoop Archives的URI是：har://scheme-hostname:port/archivepath/fileinarchive   

• lscheme-hostname格式为 hdfs-域名:端口

5、提取档案

• 按顺序解压存档（串行）

hadoop fs -cp har:///outputdir/test.har/* /smallfile1

• 要并行解压存档，请使用DistCp,对应大的归档文件可以提高效率：

hadoop distcp har:///outputdir/test.har/* /smallfile2

6、使用注意事项

• Hadoop archive是特殊的档案格式。一个Hadoop archive对应一个文件系统目录。archive的扩展名是*.har；
• 创建archives本质是运行一个Map/Reduce任务，所以应该在Hadoop集群上运行创建档案的命令；
• 创建archive文件要消耗和原文件一样多的硬盘空间；
• archive文件不支持压缩，尽管archive文件看起来像已经被压缩过；
• archive文件一旦创建就无法改变，要修改的话，需要创建新的archive文件。事实上，一般不会再对存档后的文件进行修改，因为它们是定期存档的，比如每周或每日；
• 当创建archive时，源文件不会被更改或删除；