Hadoop 集群小文件归档 HAR、小文件优化 Uber 模式
@[toc]
小文件归档 HAR
小文件归档是指将大量小文件合并成较大的文件，从而减少存储开销、元数据管理的开销以及处理时的任务调度开销。
这里我们通过 Hadoop Archive (HAR)来进行实现，它是一种归档格式，可以将多个小文件和目录归档成单个 HAR 文件。
在进行下面的操作前，请先启动集群。
对小文件进行归档
当前，在 /input目录下存储了 3个小文件，如下所示：
现在我们对这三个文件进行归档，命令如下：
hadoop archive -archiveName input.har -p /input /result这里将目录 /input下的所有文件都进行归档，并保存在 /result目录下，取名为 input.har。
进入归档结果目录中，可以发现归档文件的目录结构，其中 part-0中存储的就是真正的文件内容，它包含了三个文件的所有内容；其余的文件都是归档相关的文件记录信息。
查看已经归档的文件
hadoop fs -ls har:///result/input.har
解档文件
hadoop fs -cp har:///result/input.har/* /
注意，解档指定的目录必须提前创建。
小文件优化 Uber 模式
什么是 Uber 模式？
"Uber 模式" 是指在 Hadoop 中运行 MapReduce 任务时，将所有的任务（Mapper 和 Reducer）都运行在一个单独的 JVM 进程中，而不是在集群的不同节点上分别启动多个 JVM 进程来运行任务。
这个模式的名称来自于 Uber 公司，他们在其 Hadoop 集群上采用了这种方式来运行任务。
优点
减少资源开销： Uber 模式可以减少任务启动的开销，因为不需要为每个任务都启动一个单独的 JVM 进程，这样可以节省内存和CPU资源。
提高局部性： 由于所有任务在同一个 JVM 中运行，数据的局部性更高，因为不需要在不同节点之间传输数据。
避免任务调度开销： 在分布式环境中，任务的调度也会带来一定的开销，Uber 模式可以避免这些开销，从而提高任务的执行效率。
缺点
单点故障： 如果运行任务的 JVM 发生故障，所有的任务都会受到影响，而不是像分布式模式下那样只影响一个节点上的任务。
资源限制： 由于所有任务共享一个 JVM，可能会受到 JVM 内存限制的影响，特别是对于需要大量内存的任务。
性能不适用于所有场景： Uber 模式在某些情况下可能会导致性能下降，特别是当任务需要大量的并行计算时，由于共享一个 JVM，可能无法充分利用多核处理器。
当开启 Uber 模式后，Hadoop 会根据一定的规则和条件来自动判断是否使用 Uber 模式运行任务，还是使用分布式模式。
Uber 模式的配置
编辑 Hadoop 中的 mapred-site.xml配置文件，添加下列内容：
<!--开启uber模式，默认关闭 -->
<property>
<name>mapreduce.job.ubertask.enable</name>
<value>true</value>
</property>
<!-- 限制单个 JVM 中运行的 Map 任务数量，防止资源过度占用，最大 9 -->
<property>
<name>mapreduce.job.ubertask.maxmaps</name>
<value>9</value>
</property>
<!-- 限制单个 JVM 中运行的 Reduce 任务数量，最大 1 -->
<property>
<name>mapreduce.job.ubertask.maxreduces</name>
<value>1</value>
</property>
<!-- 设置在 Uber 模式下最大的输入数据量，默认值为 dfs.blocksize 的值（128MB） -->
<property>
<name>mapreduce.job.ubertask.maxbytes</name>
<value></value>
</property>
分发文件同步配置到其它机器，无需重启集群。
测试
当前，在 /input目录下存储了 3个小文件，如下所示：
我们来运行 Hadoop 官方案例 wordcount来测试 Uber 模式是否设置成功。
hadoop jar $HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /input /output如果配置成功，在案例执行过程中会打印提示，正在使用 Uber 模式运行：
我们进入 Yarn 中查看案例运行记录：
可以看到只启动了 1个容器进行处理，并且只花费了 8秒，读者可以关闭 Uber 模式来对比前后的速度差别。
未开启 Uber 模式执行效率
启动了 5个容器进行处理，花费了 15秒。
