偷偷摘套内射激情视频,久久精品99国产国产精,中文字幕无线乱码人妻,中文在线中文a,性爽19p

HDFS小文件治理總結(jié),你學(xué)會(huì)了嗎?

大數(shù)據(jù) Hadoop
對(duì)于大量的小文件,可以使用壓縮工具將多個(gè)小文件壓縮為一個(gè)壓縮包,以減少存儲(chǔ)空間。例如,使用gzip或bzip2壓縮工具壓縮文件,在HDFS上存儲(chǔ)壓縮文件,以減少存儲(chǔ)空間和文件數(shù)量.

隨著大數(shù)據(jù)時(shí)代的到來,數(shù)據(jù)量不斷增長(zhǎng),HDFS也成為了數(shù)據(jù)存儲(chǔ)和處理的重要組成部分。然而,由于HDFS的設(shè)計(jì)原理和文件存儲(chǔ)方式,HDFS系統(tǒng)中存在大量的小文件,這些小文件會(huì)導(dǎo)致HDFS的性能下降,增加管理和維護(hù)的難度,嚴(yán)重影響數(shù)據(jù)處理效率和數(shù)據(jù)質(zhì)量。因此,HDFS小文件的治理變得越來越重要。 

一、HDFS小文件的問題影響

HDFS小文件通常指文件大小小于HDFS塊(Block)大?。J(rèn)為128MB)的文件。在HDFS系統(tǒng)中,小文件會(huì)帶來以下問題:

1.占用過多的存儲(chǔ)空間:由于HDFS文件系統(tǒng)的特點(diǎn),每個(gè)文件都會(huì)占用一個(gè)獨(dú)立的Block,因此大量的小文件會(huì)導(dǎo)致內(nèi)存空間的浪費(fèi),增加HDFS系統(tǒng)的內(nèi)存開銷;

2.影響數(shù)據(jù)處理效率:HDFS是為大量的數(shù)據(jù)處理而設(shè)計(jì)的,而小文件會(huì)導(dǎo)致數(shù)據(jù)處理效率下降,增加數(shù)據(jù)處理時(shí)間和開銷;

3.增加管理和維護(hù)難度:當(dāng)HDFS系統(tǒng)中存在大量的小文件時(shí),管理和維護(hù)變得更加困難,需要耗費(fèi)更多的精力和時(shí)間來維護(hù)系統(tǒng)。

二、HDFS小文件的治理方法

針對(duì)HDFS小文件的問題,有以下幾種治理方法:

1.合并小文件:將多個(gè)小文件合并為一個(gè)大文件,減少文件數(shù)量。這種方法需要注意文件的內(nèi)容和格式,以免合并后的文件無法使用或者存在數(shù)據(jù)丟失等問題;

2.壓縮文件:將多個(gè)小文件壓縮為一個(gè)壓縮包,減少存儲(chǔ)空間。這種方法可以使用Hadoop自帶的壓縮工具,如gzip、bzip2等;

3.刪除無用文件:刪除不再需要的小文件,釋放存儲(chǔ)空間;

4.設(shè)置文件過期時(shí)間:對(duì)于不再需要的文件,可以設(shè)置其過期時(shí)間,自動(dòng)刪除過期文件;

5.使用SequenceFile:使用Hadoop自帶的SequenceFile格式存儲(chǔ)小文件,將多個(gè)小文件合并到一個(gè)SequenceFile中,以減少文件數(shù)量,提高處理效率。

3、HDFS小文件治理的實(shí)踐案例

以下是一些HDFS小文件治理的實(shí)踐案例:

1.合并小文件:對(duì)于日志文件等大量的小文件,可以使用Hadoop自帶的合并工具將多個(gè)小文件合并為一個(gè)大文件。下面是通過hive的重寫方式合并小文件,核心參數(shù)如下;

set hive.input.format = org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;
set hive.merge.mapfiles = true;
set hive.merge.mapredfiles = true;
set hive.merge.smallfiles.avgsize=256000000;
set hive.merge.size.per.task=12800000;
set mapred.max.split.size=256000000;
set mapred.min.split.size=64000000;
set mapred.min.split.size.per.node=64000000;
set mapred.min.split.size.per.rack=64000000;

2.壓縮文件:對(duì)于大量的小文件,可以使用壓縮工具將多個(gè)小文件壓縮為一個(gè)壓縮包,以減少存儲(chǔ)空間。例如,使用gzip或bzip2壓縮工具壓縮文件,在HDFS上存儲(chǔ)壓縮文件,以減少存儲(chǔ)空間和文件數(shù)量;

3.刪除無用文件:對(duì)于不再需要的小文件,可以使用Hadoop自帶的命令hadoop fs -rm命令刪除文件,或者使用定時(shí)任務(wù)腳本定期刪除過期文件; 

4.設(shè)置文件過期時(shí)間:使用hadoop fs -touchz命令設(shè)置文件的過期時(shí)間,當(dāng)文件過期后,自動(dòng)刪除文件。例如,使用hadoop fs -touchz命令設(shè)置文件的過期時(shí)間為30天,當(dāng)文件超過30天未被訪問時(shí),自動(dòng)刪除文件;

5.使用SequenceFile:對(duì)于大量的小文件,可以使用SequenceFile格式存儲(chǔ)文件,將多個(gè)小文件合并成一個(gè)SequenceFile文件。例如,使用Hadoop自帶的SequenceFile.Writer類將多個(gè)小文件寫入SequenceFile文件中,以減少存儲(chǔ)空間和文件數(shù)量。

4、HDFS小文件監(jiān)控

HDFS的fsimage是HDFS文件系統(tǒng)的一個(gè)重要組成部分,記錄了HDFS文件系統(tǒng)的元數(shù)據(jù)信息,包括文件、目錄、權(quán)限、塊等信息。通過監(jiān)控HDFS的fsimage,可以了解HDFS文件系統(tǒng)的整體情況,包括文件數(shù)量、文件大小、文件類型等信息,進(jìn)而實(shí)現(xiàn)對(duì)HDFS小文件的監(jiān)控和治理。

具體來說,可以通過以下步驟對(duì)HDFS小文件進(jìn)行監(jiān)控:

1.獲取HDFS的fsimage:使用Hadoop自帶的命令hdfs oiv -p XML -i fsimage命令獲取HDFS的fsimage文件。該命令會(huì)將HDFS的fsimage文件以XML格式輸出,包括HDFS中所有文件和目錄的元數(shù)據(jù)信息;

2.解析fsimage文件:使用Python等腳本語言解析獲取到的fsimage文件,提取其中的文件、目錄、塊等信息??梢允褂肞ython的ElementTree模塊等工具對(duì)XML文件進(jìn)行解析,提取需要的信息;

3.統(tǒng)計(jì)文件數(shù)量和文件大?。焊鶕?jù)解析后的文件信息,統(tǒng)計(jì)HDFS中小文件的數(shù)量和大小。通??梢愿鶕?jù)文件大小和文件數(shù)量的閾值來定義小文件,例如文件大小小于128MB或文件數(shù)量小于1000個(gè)等;

4.可視化展示:使用可視化工具,如Grafana、Kibana等將統(tǒng)計(jì)結(jié)果進(jìn)行可視化展示,以便于對(duì)HDFS小文件的監(jiān)控和管理。

5、HDFS小文件監(jiān)控案例

下面是解析HDFS的fsimage文件,導(dǎo)入hive表進(jìn)行分析得到最終結(jié)果表導(dǎo)入clickhouse通過grafana進(jìn)行數(shù)據(jù)展示;

解析fsimage文件為txt文件:

hdfs oiv -i  fsimage_0000000192578352133 -o /data2/data/fsimage/$day/fsimage.txt -p Delimited -t /data2/data/fsimage/$day/tmp

fsimage文件重要的字段釋義:

INODE_ID:文件或目錄的唯一標(biāo)識(shí)符;
NAME:文件或目錄的名稱;
PARENT_ID:父目錄的INODE_ID;
MODIFICATION_TIME:最后修改時(shí)間;
ACCESS_TIME:最后訪問時(shí)間;
BLOCK_IDS:文件的數(shù)據(jù)塊ID列表;
BLOCK_SIZE:數(shù)據(jù)塊大小;
NUM_BLOCKS:數(shù)據(jù)塊數(shù)量;
PERMISSIONS:文件或目錄的權(quán)限信息;
USER_NAME:文件或目錄所屬用戶;
GROUP_NAME:文件或目錄所屬用戶組;
SYMLINK:如果是符號(hào)鏈接,則包含符號(hào)鏈接的目標(biāo)路徑;
UNDER_CONSTRUCTION:如果文件正在寫入中,則為true;
UNDER_RECOVERY:如果文件正在恢復(fù)中,則為true;
FILE_LENGTH:文件長(zhǎng)度;
NS_QUOTA:命名空間配額;
DS_QUOTA:磁盤配額;
STORAGE_POLICY:存儲(chǔ)策略。

下面是基于解析后的文件映射到hive表最終處理后的數(shù)據(jù)表和最終數(shù)據(jù)樣例:

CREATE TABLE `tmp_fsimage_info_log_clean`(
  `path` string, 
  `replication` int, 
  `db` string, 
  `table_name` string, 
  `parttition_nm1` string, 
  `parttition_nm2` string, 
  `parttition_nm3` string, 
  `file_name` string, 
  `modificationtime` string, 
  `accesstime` string, 
  `preferredblocksize_mb` decimal(20,5), 
  `blockscount` int, 
  `filesize_mb` decimal(20,5), 
  `filesize_gb` decimal(20,5), 
  `username` string, 
  `groupname` string)
PARTITIONED BY ( 
  `stat_day` string COMMENT '分區(qū)時(shí)間:yyyy-mm-dd')
ROW FORMAT SERDE 
  'org.apache.hadoop.hive.ql.io.orc.OrcSerde' 
STORED AS INPUTFORMAT 
  'org.apache.hadoop.hive.ql.io.orc.OrcInputFormat' 
OUTPUTFORMAT 
  'org.apache.hadoop.hive.ql.io.orc.OrcOutputFormat'

圖片

同步hive數(shù)據(jù)到CK的工具使用的是seatunnel,下面貼一份相關(guān)的配置文件:

env {
  spark.app.name = "hive_to_clickhouse"
  spark.executor.instances = 10
  spark.executor.cores = 4
  spark.executor.memory = "12g"
}


source {
  file {
    path = "hdfs://ds01:8020/user/hive/warehouse/paas_test.db/db_table_file_all/stat_day="${day}""   
    result_table_name = "db_table_file_all"
    format = "orc"
  }
}


transform {
 sql {
    sql = "SELECT  '"${dayStr}"' as stat_day, _col0 as db, _col1 as table_name,_col2 as sum_filesize,_col3 as count_filesize,_col4 as count_filesize_less_10,_col5 as count_filesize_less_50,_col6 as count_filesize_less_150,_col7 as count_filesize_less_250,_col8 as count_filesize_less_300,_col9 as count_filesize_less_10_diff,_col10 as count_filesize_less_50_diff,_col11  as count_filesize_less_150_diff,_col12 as count_filesize_less_250_diff,_col13 as count_filesize_less_300_diff,_col14 as table_storage_increase,_col15 as count_filesize_diff,_col16 as latest_accesstime  from db_table_file_all"
 }
}




sink {
  clickhouse {
    host = "ds03:8123"
    clickhouse.socket_timeout = 50000
    database = "fsimage_info"
    table = "db_table_file_all"
    fields = ["db","table_name","sum_filesize","count_filesize","count_filesize_less_10","count_filesize_less_50","count_filesize_less_150","count_filesize_less_250","count_filesize_less_300","count_filesize_less_10_diff","count_filesize_less_50_diff","count_filesize_less_150_diff","count_filesize_less_250_diff","count_filesize_less_300_diff","table_storage_increase","count_filesize_diff","latest_accesstime","stat_day"]
    username = ""
    password = ""
  }


}

最終展示在grafana中效果:

圖片

本文轉(zhuǎn)載自微信公眾號(hào)「滌生大數(shù)據(jù)」,作者「滌生-強(qiáng)哥」,可以通過以下二維碼關(guān)注。轉(zhuǎn)載本文請(qǐng)聯(lián)系「滌生大數(shù)據(jù)」公眾號(hào)。

責(zé)任編輯:武曉燕 來源: 滌生大數(shù)據(jù)
相關(guān)推薦

2022-12-26 07:48:04

敏捷項(xiàng)目

2022-10-18 17:59:46

Bootstrap源碼父類

2023-01-26 00:28:45

前端測(cè)試技術(shù)

2022-07-26 00:25:57

PandasQuery索引器

2023-08-01 12:51:18

WebGPT機(jī)器學(xué)習(xí)模型

2024-01-02 12:05:26

Java并發(fā)編程

2022-08-09 08:25:44

Stream創(chuàng)建流流計(jì)算

2024-01-19 08:25:38

死鎖Java通信

2024-02-04 00:00:00

Effect數(shù)據(jù)組件

2023-07-26 13:11:21

ChatGPT平臺(tái)工具

2023-01-10 08:43:15

定義DDD架構(gòu)

2024-02-06 08:33:54

文件系統(tǒng)SSD

2024-03-06 08:28:16

設(shè)計(jì)模式Java

2022-06-16 07:50:35

數(shù)據(jù)結(jié)構(gòu)鏈表

2022-12-06 07:53:33

MySQL索引B+樹

2023-01-31 08:02:18

2023-10-06 14:49:21

SentinelHystrixtimeout

2022-07-13 08:16:49

RocketMQRPC日志

2023-05-05 06:54:07

MySQL數(shù)據(jù)查詢

2023-06-26 13:08:52

GraphQL服務(wù)數(shù)據(jù)
點(diǎn)贊
收藏

51CTO技術(shù)棧公眾號(hào)