0464专题之0464-如何离线分析HDFS的FsImage查找集群小文件

温馨提示：如果使用计算机发现图片不清晰，可以使用手机点击打开文章文本的图片进行放大，查看高清原件。(大卫亚设)。

Fayson的github：

提示：代码块部分可以左右滑动查看噢

1

文章编写目的

随着Hadoop集群数据量的增长，集群中也同时会存在大量的小文件，即文件Size比HDFS的Block Size（默认128MB）小的多的文件。Hadoop集群中存在大量的小文件对集群造成的影响如下：

1.对NameNode的内存造成很大的压力以及性能问题，在HDFS中任何文件、目录或者block在NameNode内存中均以对象的方式表示（即元数据），默认每个元数据对象约占150bytes。

2.HDFS在存储小文件上效率会很低，同样在读取上也会导致大量的查找，在各个DN节点去检索小文件。

在前面的文章Fayson介绍了《

如何在Hadoop中处理小文件

》，《

如何使用Impala合并小文件

》和《

如何在Hadoop中处理小文件-续

》。基于上述原因Fayson主要介绍如何通过离线分析HDFS的FsImage的方式查找集群中的小文件。

• 内容概述

1.FsImage分析脚本

2.FsImage数据转存到Impala表中

3.各个维度分析查找集群中的小文件

4.总结

• 测试环境

1.CM和CDH版本为5.15

2

离线FsImage分析脚本

本篇文章Fayson的分析脚本主要基于HDFS提供的oiv命令来进行FsImage离线分析，将FsImage文件解析问指定的csv格式数据，如下脚本分析的具体步骤：

1.使用hdfs命令获取FsImage数据文件

[root@cdh02 fsimage]# hdfs dfsadmin -fetchImage ./tmp_meta

（可左右滑动）

2.使用hdfs oiv命令解析FsImage文件

[root@cdh02 fsimage]# hdfs oiv -i ./tmp_meta/fsimage_0000000000008236656 -o ./tmp_meta/fsimage.csv -p Delimited

（可左右滑动）

3.将解析的csv文件加载到Hive的HDFS_META_TEMP表中

[root@cdh02 fsimage]# sed -i -e "1d" ./tmp_meta/fsimage.csv [root@cdh02 fsimage]# hdfs dfs -rmr /tmp/hdfs_metadata/fsimage [root@cdh02 fsimage]# hdfs dfs -mkdir -p /tmp/hdfs_metadata/fsimage [root@cdh02 fsimage]# hdfs dfs -copyFromLocal ./tmp_meta/fsimage.csv /tmp/hdfs_metadata/fsimage

（可左右滑动）

4.使用Sqoop脚本将Hive元数据中关于Hive库和表的信息抽取的Hive中

sqoop import \ --connect "jdbc:mysql://${DB_IPADDR}:${DB_PORT}/${META_DB_NAME}" \ --username ${DB_USERNAME} \ --password ${DB_PASSWORD} \ --query 'select c.NAME,c.DB_LOCATION_URI,a.TBL_NAME,a.OWNER,a.TBL_TYPE,b.LOCATION from TBLS a,SDS b,DBS c where a.SD_ID=b.SD_ID and a.DB_ID=c.DB_ID and $CONDITIONS' \ --fields-terminated-by ',' \ --delete-target-dir \ --hive-database ${DB_NAME} \ --target-dir /tmp/${TARG_HIVE_TB} \ --hive-import \ --hive-overwrite \ --hive-table ${TARG_HIVE_TB} \ --m ${MAP_COUNT}

（可左右滑动）

5.执行ba文件创建分析的Impala表

6.执行analyse_sql语句通过各个维度查找小文件

离线分析脚本目录结构如下：

analyse_sql：主要存放分析小文件的SQL语句

base_sql：主要存放建表语句及基础数据生成SQL脚本

con：脚本主要用户配置集群信息（如：ImpalaDaemon访问地址、存储的表名、临时文件存放目录等）

[root@cdh02 fsimage]# more con #!/bin/bash ###定义一些全局的变量 DB_NAME=hdfs_metadata IMPALAD=cd #sqoop抽数写入Hive表配置参数 DB_IPADDR=cd DB_PORT=3306 META_DB_NAME=metastore DB_USERNAME=root DB_PASSWORD=123456 TARG_HIVE_TB=hive_tables_temp MAP_COUNT=1

（可左右滑动）

*.keytab：两个keytab文件为前面环境准备过程中导出的hive和hdfs用户

offline_fsimage.sh：脚本主要用于创建分析用户的数据表及生成分析需要的数据

o：脚本用于执行analyse_sql目录的SQL语句

[root@cdh02 fsimage]# more o #!/bin/bash source ./con impala-shell -i $IMPALAD --var=DB_NAME=${DB_NAME} -f ./analyse_sql

（可左右滑动）

：用于Sqoop抽取MySQL中Hive元数据表数据到Hive仓库

[root@cdh02 fsimage]# more #!/bin/bash #将Hive元数据库中的库及表等信息抽取到Hive仓库 sqoop import \ --connect "jdbc:mysql://${DB_IPADDR}:${DB_PORT}/${META_DB_NAME}" \ --username ${DB_USERNAME} \ --password ${DB_PASSWORD} \ --query 'select c.NAME,c.DB_LOCATION_URI,a.TBL_NAME,a.OWNER,a.TBL_TYPE,b.LOCATION from TBLS a,SDS b,DBS c where a.SD_ID=b.SD_ID and a.DB_ID=c.DB_ID and $CONDITIONS' \ --fields-terminated-by ',' \ --delete-target-dir \ --hive-database ${DB_NAME} \ --target-dir /tmp/${TARG_HIVE_TB} \ --hive-import \ --hive-overwrite \ --hive-table ${TARG_HIVE_TB} \ --m ${MAP_COUNT}

（可左右滑动）

tmp_meta：该目录主要用于存放HDFS的元数据及oiv生成的csv文件

3

基于HDFS数据目录统计分析

如下统计方式主要基于HDFS的数据目录进行统计分析，统计HDFS指定目录下所有数据文件数、Block数量、文件总大小（bytes）及平均文件大小（bytes）。

统计中有两个重要参数parent_id和instr(path,'/',1,2)这两个参数主要表示指定统计的HDFS目录以及目录钻取深度，instr()函数中的最后一个参数即为目录钻取深度（如果为parent_id=1为根目录“/”，钻取深度则为2，即根目录下所有的数据目录，需要钻取根深的目录则依次递增）。

1. HDFS根目录统计分析

SELECT a.*, b.file_nums, b.blockcounts, b.filesizes, ) AS avg_filesize FROM (SELECT id, path, username, modification_time FROM HDFS_META_DIRS WHERE parent_id=1) a JOIN (SELECT strleft(path, instr(path,'/',1,2)-1) basepath, sum(blockcount) blockcounts, sum(filesize) filesizes, count(*) file_nums FROM HDFS_META_FILES GROUP BY basepath) b ON a.path=b.basepath ORDER BY b.file_nums desc,avg_filesize asc;

（可左右滑动）

2.指定HDFS数据目录统计分析

SELECT a.*, b.file_nums, b.blockcounts, b.filesizes, ) AS avg_filesize FROM (SELECT id, path, username, modification_time FROM HDFS_META_DIRS WHERE parent_id=2) a JOIN (SELECT strleft(path, instr(path,'/',1,3)-1) basepath, sum(blockcount) blockcounts, sum(filesize) filesizes, count(*) file_nums FROM HDFS_META_FILES GROUP BY basepath) b ON a.path=b.basepath ORDER BY b.file_nums desc,avg_filesize asc;

（可左右滑动）

4

基于Hive库和表的统计分析

如下统计方式主要基于Hive库和表的统计分析，统计Hive中所有库存的数据文件数、Block数量、文件总大小(bytes)及平均文件大小(bytes)。

1.基于Hive库的统计分析

SELECT n.*, ) AS avg_filesize FROM hdfs_meta_dirs p, (SELECT a.id, b.dbname, count(*) FROM hdfs_meta_dirs a JOIN hive_table_details b ON a.path=b.db_path GROUP BY a.id, b.dbname) m, (SELECT a.dbname, count(1) file_nums, sum) blockcounts, sum) filesizes FROM hive_table_details a, hdfs_meta_files b WHERE a.fid=b.fid GROUP BY a.dbname) n WHERE p.id=m.id AND m.dbname=n.dbname order by file_nums desc,avg_filesize asc;

（可左右滑动）

2.基于Hive表的统计分析

select n.*,) AS avg_filesize from hdfs_meta_dirs p, (select a.id,b.dbname,count(*) from hdfs_meta_dirs a join hive_table_details b on a.path=b.db_path group by a.id, b.dbname) m, (SELECT a.dbname,a.tbl_name, count(1) file_nums, sum) blockcounts, sum) filesizes FROM hive_table_details a, hdfs_meta_files b WHERE a.fid=b.fid GROUP BY a.dbname,a.tbl_name) n where p.id=m.id and m.dbname=n.dbname order by file_nums desc,avg_filesize asc limit 20;

（可左右滑动）

5

总结

如上SQL的统计分析可以看到有三个比较重要的统计指标file_nums、blockcounts和avg_filesize。通过这三个指标进行小文件分析，进行如下分析：

如果file_nums/blockcounts的值越大且avg_filesize越小则说明该HDFS或Hive表的小文件越多。

提示：代码块部分可以左右滑动查看噢

为天地立心，为生民立命，为往圣继绝学，为万世开太平。

温馨提示：如果使用电脑查看图片不清晰，可以使用手机打开文章单击文中的图片放大查看高清原图。

推荐关注Hadoop实操，第一时间，分享更多Hadoop干货，欢迎转发和分享。

原创文章，欢迎转载，转载请注明：转载自微信公众号Hadoop实操