HDFS之SequenceFile和MapFile

Hadoop的HDFS和MapReduce子框架主要是针对大数据文件来设计的，在小文件的处理上不但效率低下，而且十分消耗磁盘空间(每一个小文件占用一个Block,HDFS默认block大小为64M)。解决办法:通常是选择一个容器，将这些小文件组织起来统一存储。HDFS提供了两种类型的容器，分别是SequenceFile和MapFile。

SequenceFile

SequenceFile文件是Hadoop用来存储二进制形式的key-value对而设计的一种平面文件(Flat File)。SequenceFile文件并不保证其存储的key-value数据是按照key的某个顺序存储的，同时不支持append操作（虽然写数据方法名叫做append）。
在SequenceFile文件中，每一个key-value被看做是一条记录(Record)，因此基于Record的压缩策略，SequenceFile文件可支持三种压缩类型: NONE:对records不进行压缩; RECORD:仅压缩每一个record中的value值; BLOCK:将一个block中的所有records压缩在一起;（注：每个block的大小是可通过 io.seqfile.compress.blocksize属性来指定的）

写接口

那么，基于这三种压缩类型，Hadoop提供了对应的三种类型的Writer:

// Writer内部类用于文件的写操作,假设Key和Value都为Text类型
SequenceFile.Writer writer = SequenceFile.createWriter(conf,
         Writer.file(seqFile),
         Writer.keyClass(Text.class),
         Writer.valueClass(Text.class),
         Writer.compression(CompressionType.NONE));
SequenceFile可通过如下API来完成新记录的添加操作:
         writer.append(key,value)
//前提是Key和Value需具备序列化和反序列化的功能

读接口

SequenceFile.Reader reader=new SequenceFile.Reader(fs,seqFile,conf);

实例：

public static void main(String[] args) throws IOException {
         Configuration conf = new Configuration();
         Path seqFile = new Path("/test/seqFile2.seq");
         // Writer内部类用于文件的写操作,假设Key和Value都为Text类型
         SequenceFile.Writer writer = SequenceFile.createWriter(conf,
         Writer.file(seqFile), Writer.keyClass(Text.class),
         Writer.valueClass(Text.class),
         Writer.compression(CompressionType.NONE));

         // 通过writer向文档中写入记录
         writer.append(new Text("key"), new Text("value"));

         IOUtils.closeStream(writer);// 关闭write流
         // 通过reader从文档中读取记录
         SequenceFile.Reader reader = new SequenceFile.Reader(conf,
         Reader.file(seqFile));
         Text key = new Text();
         Text value = new Text();
         while (reader.next(key, value)) {
              System.out.println(key);
              System.out.println(value);
         }
         IOUtils.closeStream(reader);// 关闭read流

    }

MAPFile

MapFile是排序后的SequenceFile,通过观察其目录结构可以看到MapFile由两部分组成，分别是index和data。
index作为文件的数据索引，主要记录了每个Record的key值，以及该Record在文件中的偏移位置。在MapFile被访问的时候,索引文件会被加载到内存，通过索引映射关系可迅速定位到指定Record所在文件位置，因此，相对SequenceFile而言，MapFile的检索效率是高效的，缺点是会消耗一部分内存来存储index数据。
需注意的是，MapFile并不会把所有Record都记录到index中去，默认情况下每隔128条记录存储一个索引映射。当然，记录间隔可人为修改，通过MapFIle.Writer的setIndexInterval()方法，或修改io.map.index.interval属性；
与SequenceFile不同的是，MapFile的KeyClass一定要实现WritableComparable接口,即Key值是可比较的。

示例：MapFile读写操作

Configuration conf=new Configuration();
FileSystem fs=FileSystem.get(conf);
Path mapFile=new Path("mapFile.map");
//Reader内部类用于文件的读取操作
MapFile.Reader reader=new MapFile.Reader(fs,mapFile.toString(),conf);
//Writer内部类用于文件的写操作,假设Key和Value都为Text类型
MapFile.Writer writer=new MapFile.Writer(conf,fs,mapFile.toString(),Text.class,Text.class);
//通过writer向文档中写入记录
writer.append(new Text("key"),new Text("value"));
IOUtils.closeStream(writer);//关闭write流


//通过reader从文档中读取记录
Text key=new Text();
Text value=new Text();
while(reader.next(key,value)){
    System.out.println(key);
    System.out.println(key);
}
IOUtils.closeStream(reader);//关闭read流

注意：使用MapFile或SequenceFile虽然可以解决HDFS中小文件的存储问题，但也有一定局限性，如： 1. 文件不支持复写操作，不能向已存在的SequenceFile(MapFile)追加存储记录。 2. 当write流不关闭的时候，没有办法构造read流。也就是在执行文件写操作的时候，该文件是不可读取的。

喜欢 (0)or分享 (0)