Hadoop Archives档案

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。

使用方法

创建 Archives（档案）

Usage: 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。

　　举个例子：-p /foo/bar a/b/c e/f/g

　　这里的/foo/bar 是 a/b/c 与 e/f/g 的父路径，所以完整路径为/foo/bar/a/b/c 与/foo/bar/e/f/g

　　例如：如果你只想存档一个目录/input 下的所有文件:

hadoop archive -archiveName test.har –p /input /outputdir

　　这样就会在/outputdir 目录下创建一个名为 test.har 的存档文件。

查看 Archives

　　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

　　这里可以看到 har 文件包括：两个索引文件，多个 part 文件（本例只有一个）以及一个标识成功与否的文件。part 文件是多个原文件的集合，根据index 文件去找到原文件。

　　例如上述的三个小文件 1.txt 2.txt 3.txt 内容分别为 1，2，3。进行archive 操作之后，三个小文件就归档到 test.har 里的 part-0 一个文件里。

　　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：

解压 Archives

　　按顺序解压存档（串行）：

hadoop fs -cp har:///user/zoo/foo.har/dir1 hdfs:/user/zoo/newdir

　　要并行解压存档，请使用 DistCp：

hadoop distcp har:///user/zoo/foo.har/dir1 hdfs:/user/zoo/newdir

har文档结构

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；

　　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；

　　7. 虽然 HAR 文件可以作为 MR 的输入，但是由于 InputFormat 类并不知道文件已经存档，所以即使在 HAR 文件里处理许多小文件，仍然低效。