小文件归档

1.HDFS存储小文件弊端

 

 

  每个文件均按块存储，每个块的元数据存储在NameNode的内存中，因此HDFS存储小文件会非常低效。因为大量的小文件会耗尽NameNode中的大部分内存。但注意，存储小文件所需要的磁盘容量和数据块的大小无关。例如，一个1MB的文件设置为128MB的块存储，实际使用的是1MB的磁盘空间，而不是128MB。

 

 

2.解决存储小文件方法之一

  HDFS存档文件或HAR文件，是一个更高效的文件存档工具，它将文件存入HDFS块，在减少NameNode内存使用的同时，允许对文件进行透明的访问。具体说来，HDFS存档文件对内还是一个一个独立文件，对NameNode而言却是一个整体，减少了NameNode的内存。

 

 

 

3. 实操

（1）需要启动YARN进程：start-yarn.sh

 

 

 

（2）归档文件

  把/input目录里面的所有文件归档成一个叫input.har的归档文件，并把归档后文件存储到/output路径下

 

  hadoop archive -archiveName input.har -p  /input   /output

 

（3）查看归档

  加上har://协议

  hadoop fs -ls har:///output/input.har

 

（4）解归档文件

  hadoop fs -cp har:///output/input.har/文件名 /