Hadoop HDFS之SequenceFile和MapFile

zhangxinba

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。
一、SequenceFile
SequenceFile的存储类似于Log文件，所不同的是Log File的每条记录的是纯文本数据，而SequenceFile的每条记录是可序列化的字符数组。
SequenceFile可通过如下API来完成新记录的添加操作:
fileWriter.append(key,value)
可以看到，每条记录以键值对的方式进行组织，但前提是Key和Value需具备序列化和反序列化的功能
Hadoop预定义了一些Key Class和Value Class，他们直接或间接实现了Writable接口，满足了该功能，包括：
Text    等同于Java中的String
IntWritable   等同于Java中的Int
BooleanWritable  等同于Java中的Boolean
.
.
在存储结构上，SequenceFile主要由一个Header后跟多条Record组成，如图所示：


Header主要包含了Key classname，Value classname，存储压缩算法，用户自定义元数据等信息，此外，还包含了一些同步标识，用于快速定位到记录的边界。

每条Record以键值对的方式进行存储，用来表示它的字符数组可依次解析成：记录的长度、Key的长度、Key值和Value值，并且Value值的结构取决于该记录是否被压缩。
数据压缩有利于节省磁盘空间和加快网络传输，SeqeunceFile支持两种格式的数据压缩，分别是：record compression和block compression。
record compression如上图所示，是对每条记录的value进行压缩
block compression是将一连串的record组织到一起，统一压缩成一个block，如图所示：


block信息主要存储了：块所包含的记录数、每条记录Key长度的集合、每条记录Key值的集合、每条记录Value长度的集合和每条记录Value值的集合
注：每个block的大小是可通过io.seqfile.compress.blocksize属性来指定的
示例：SequenceFile读/写 操作

[java]

• Configurationconf=newConfiguration();
  
• FileSystemfs=FileSystem.get(conf);
  
• PathseqFile=newPath("seqFile.seq");
  
• //Reader内部类用于文件的读取操作
  
• SequenceFile.Readerreader=newSequenceFile.Reader(fs,seqFile,conf);
  
• //Writer内部类用于文件的写操作,假设Key和Value都为Text类型
  
• SequenceFile.Writerwriter=newSequenceFile.Writer(fs,conf,seqFile,Text.class,Text.class);
  
• //通过writer向文档中写入记录
  
• writer.append(newText("key"),newText("value"));
  
• IOUtils.closeStream(writer);//关闭write流
  
• //通过reader从文档中读取记录
  
• Textkey=newText();
  
• Textvalue=newText();
  
• while(reader.next(key,value)){
  
• System.out.println(key);
  
• System.out.println(value);
  
• }
  
• IOUtils.closeStream(reader);//关闭read流
  

二、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data和index。
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；
另外，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

[java]

• Configurationconf=newConfiguration();
  
• FileSystemfs=FileSystem.get(conf);
  
• PathmapFile=newPath("mapFile.map");
  
• //Reader内部类用于文件的读取操作
  
• MapFile.Readerreader=newMapFile.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.Writerwriter=newMapFile.Writer(conf,fs,mapFile.toString(),Text.class,Text.class);
  
• //通过writer向文档中写入记录
  
• writer.append(newText("key"),newText("value"));
  
• IOUtils.closeStream(writer);//关闭write流
  
• //通过reader从文档中读取记录
  
• Textkey=newText();
  
• Textvalue=newText();
  
• 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