hdfs的归档-archive

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。
Hadoop Archives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每一个文件。

1.如何创建Archive

hadoop archive -archiveName name -p <parent> <src>* <dest>

• 其中-archiveName是指要创建的存档的名称。比如test.har，archive的名字的扩展名应该是*.har。 -p参数指定文件存档文件（src）的相对路径。
  例如：如果你只想存档一个目录/config下的所有文件:

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

2.如何查看Archive

首先我们来看下创建好的har文件。使用如下的命令：

hadoop fs -ls /outputdir/test.har

hadoop fs -cat /outputdir/test.har/part-0

archive作为文件系统层暴露给外界。

所以所有的fs shell命令都能在archive上运行，但是要使用不同的URI。

Hadoop Archives的URI是：

har://scheme-hostname:port/archivepath/fileinarchive   

scheme-hostname格式为hdfs-域名:端口，如果没有提供scheme-hostname，它会使用默认的文件系统。这种情况下URI是这种形式：

har:///archivepath/fileinarchive   

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：
查看归档文件中的小文件,使用har uri

hadoop fs -ls har://hdfs-node1:8020/outputdir/test.har

查看归档文件中的小文件,不使用har uri

hadoop fs -ls har:///outputdir/test.har 

查看har归档文件中小文件的内容

hadoop fs -cat har:///outputdir/test.har/core-site.xml

3.如何解压Archive

hadoop fs -mkdir /config2
hadoop fs -cp har:///outputdir/test.har/*    /config2

4.Archive注意事项

• 1.Hadoop archives是特殊的档案格式。一个Hadoop archive对应一个文件系统目录。Hadoop archive的扩展名是*.har；
• 2.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，要提前启动Yarn集群；
• 3.创建archive文件要消耗和原文件一样多的硬盘空间；
• 4.archive文件不支持压缩，尽管archive文件看起来像已经被压缩过；
• 5.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；
• 6.当创建archive时，源文件不会被更改或删除；

5 java api操作

FileSystem fileSystem = FileSystem.get(new URI("hdfs://node1:8020"), new Configuration());
       HarFileSystem harFileSystem = new HarFileSystem(fileSystem);
        harFileSystem.initialize(new URI("har://hdfs-node1:/output/archive/config.har"), new Configuration());
        FileStatus[] iterator = harFileSystem.listStatus(new Path("/part-0"));
        for (FileStatus fileStatus : iterator) {
            System.out.println(fileStatus.getPath());
        }

        fileSystem.close();