Hadoop中小文件處理技術(shù)的研究與優(yōu)化.pdf

1、隨著互聯(lián)網(wǎng)的飛速發(fā)展，傳統(tǒng)的存儲(chǔ)方法已經(jīng)無(wú)法滿(mǎn)足當(dāng)前海量數(shù)據(jù)的存取需求，海量數(shù)據(jù)的存儲(chǔ)和處理成為當(dāng)下研究的一個(gè)新課題。分布式計(jì)算平臺(tái)Hadoop由于具有高可靠、易擴(kuò)展、高容錯(cuò)性等特點(diǎn)，已經(jīng)廣泛的運(yùn)用在云計(jì)算領(lǐng)域。
　　由于 Hadoop是以流式數(shù)據(jù)訪(fǎng)問(wèn)模式來(lái)處理文件，也可以說(shuō)是為了存儲(chǔ)大文件而設(shè)計(jì)的。因此，Hadoop在處理大文件時(shí)性能表現(xiàn)優(yōu)異，而在處理小文件時(shí)會(huì)出現(xiàn)存儲(chǔ)效率低的問(wèn)題。針對(duì)此問(wèn)題，本文分析了前人做的一些研究和改進(jìn)方

2、案，通過(guò)研究其他的方案，找出其中優(yōu)缺點(diǎn)，并在此基礎(chǔ)上做了相應(yīng)的改進(jìn)。本文的設(shè)計(jì)方案是在原分布式文件系統(tǒng)基礎(chǔ)上添加一個(gè)獨(dú)立的小文件處理模塊，通過(guò)小文件處理模塊對(duì)小文件進(jìn)行合并，建立文件的索引，以及通過(guò)文件緩存預(yù)取后傳送到HDFS中進(jìn)行數(shù)據(jù)的處理。該架構(gòu)使得 HDFS系統(tǒng)在處理小文件的同時(shí)不影響對(duì)大文件或者對(duì)已合并小文件的寫(xiě)入或讀取，從而提高系統(tǒng)的存儲(chǔ)訪(fǎng)問(wèn)效率。
　　本文的小文件合并和索引方案是在HAR的基礎(chǔ)上改進(jìn)的。通過(guò)創(chuàng)建小文件的

3、時(shí)間段對(duì)合并文件命名。此外根據(jù)小文件名稱(chēng)以及擴(kuò)展名建立小文件到具體數(shù)據(jù)塊以及數(shù)據(jù)塊內(nèi)地址信息的Trie樹(shù)索引，并根據(jù)相應(yīng)的擴(kuò)展名對(duì)所對(duì)應(yīng)的索引進(jìn)行分片，從而建立兩級(jí)索引機(jī)制，放置在小文件處理模塊中以加快系統(tǒng)中小文件的檢索性能。文件的預(yù)取是通過(guò)文件的元數(shù)據(jù)和索引信息以及文件的預(yù)取記錄在小文件處理模塊的緩存池里進(jìn)行索引預(yù)取與相關(guān)文件的預(yù)取。論文給出了該優(yōu)化方案在Hadoop集群的具體實(shí)現(xiàn)，包括小文件合并MapReduce自定義輸入分片、兩級(jí)