以离线分析FsImage文件进行数据深度分析

整个方案的基本架构：

  FsImage文件时HDFS存放在NameNode中的镜像文件，里面包括了整个HDFS集群的目录和文件信息，(类似于一个索引目录+部分数据的文件)，而且HDFS提供了命令可以将FsImage文件转成CSV文件，可以用它在Hive上进行分析。目前fsiamge一般都是几十g的级别。

  FsImage字段一览

字段名	中文
Path	目录路径
Replication	备份数 其实就是所有的存储份数
ModificationTime	最后修改时间 创建
AccessTime	对于文件来说是最后访问时间,对于文件夹来说就是创建时间
PreferredBlockSize	首选块大小 byte
BlocksCount	块 数eeeeeeeeee
FileSize	文件大小 byte
NSQUOTA	名称配额 限制指定目录下允许的文件和目录的数量。
DSQUOTA	空间配额 限制该目录下允许的字节数
Permission	权限
UserName	用户
GroupName	用户组

  hdfs get命令

hdfs dfs -get /user/bigdata/fsimage_0000000010470664202  /opt/fsimage_001

  hdfs vio命令：

hdfs oiv -i /opt/fsimage_001 -o /opt/fsimage_001.csv -p Delimited -delimiter ","

  Linux sed命令： 在每行数据末尾后面新增,HDFS

sed -i s/$/,HDFS/g fsimage_001.csv

  hdfs put命令

hdfs dfs -put /opt/fsimage_001.csv  /user/hdfsser/hdfs_fsimage/fsimage_001.csv

Hive中的相关表

1. FsImage表 存放来自FsImage的初始数据

字段名	类型	备注
Path	string	目录路径
Replication	string	备份数
ModificationTime	string	最后修改时间
AccessTime	string	string
PreferredBlockSize	string	首选块大小 byte
BlocksCount	string	块 数
FileSize	string	文件大小 byte
NSQUOTA	string	名称配额 限制指定目录下允许的文件和目录的数量。
DSQUOTA	string	空间配额 限制该目录下允许的字节数
Permission	string	权限
UserName	string	用户
GroupName	string	用户组
clustersource	string	数据集群来源

2. inhive 存放Hive产生的文件

字段名	类型	备注
Path	string	完成目录路径
dbname	string	Hive库名
tablename	string	Hive表名
FileSize	string	文件大小 byte
UserName	string	用户
clustersource	string	数据集群来源

3. nonhive 存放非Hive的文件

字段名	类型	备注
Path	string	目录路径 不包含文件名
filename	string	文件名
FileSize	string	文件大小 byte
UserName	string	用户
clustersource	string	数据集群来源

Hive数据交换语句中涉及到的函数

字符串长度函数：length

  语法: length(string A)
  返回值: int
  说明：返回字符串A的长度

字符串反转函数：reverse

  语法: reverse(string A)
  返回值: string
  说明：返回字符串A的反转结果

字符串截取函数：substr,substring

  语法: substr(string A, int start),substring(string A, int start)
  返回值: string
  说明：返回字符串A从start位置到结尾的字符串

字符串截取函数：substr,substring

  语法: substr(string A, int start, int len),substring(string A, intstart, int len)
  返回值: string
  说明：返回字符串A从start位置开始，长度为len的字符串

分割字符串函数: split

  语法: split(string str, string pat)
  返回值: array
  说明:按照pat字符串分割str，会返回分割后的字符串数组

向下取整函数

  语法：floor(double d)
  返回值：bigint
  说明：返回<=d的最大bigint值；

向下取整函数

  语法：ceil(double d)
  返回值：bigint
  说明：返回>=d的最小bigint 值；

部分SQL语句示例

• 启动Hive，直接使用hive命令
  $ hive;

• 进入对应的数据库 use hdfsser;
  hive> use hdfsser;

• 查询出插入inhive表的语句

INSERT INTO TABLE inhive
SELECT path,
       split(path,'\\/')[5],
       split(path,'\\/')[6],
       FileSize,
       UserName,
       clustersource
FROM fsimage
WHERE split(path,'\\/')[3]= 'hive' and split(path,'\\/')[4] = 'warehouse';

• 查询出插入nonhive表的语句

INSERT INTO TABLE nonhive
SELECT CASE
           WHEN filesize='0' THEN path
           ELSE substr(path, 0, length(path)-1-length(reverse(split(reverse(path),'\\/')[0])))
       END,
       CASE
           WHEN filesize='0' THEN NULL
           ELSE reverse(split(reverse(path),'\\/')[0])
       END ,
       FileSize,
       UserName,
       clustersource
FROM fsimage
WHERE size(split(path,'\\/'))<=3
  OR split(path,'\\/')[3] <> 'hive';

小文件分析

小文件的定义

• 判断小文件的规则：
  1、文件大小<1MB；（最好支持配置或者sql脚本传参）
  2、目录下文件数量>10000（最好支持配置或者sql脚本传参）
• 需要治理哪些用户的小文件规则：
  1、hive小文件数大于100W的用户；|
  2、hive小文件占比超过30%的用户。（hive小文件/hive文件总数）

未定问题

• 文件目录第三级目录为hive，第四级目录不为warehouse的数据存放位置。
• [目录下文件>10000]目录指的是几级目录，目录的规则需要根据治理目标再确认。

其他分析

在文件大小的不同区间进行分析,单位大小MB

(0-1)，[1,10)，[10,128)，[128-512)，[512,+∞)

各个区间下的文件数量，目录数量

• 特征1 文件的数量远大于目录数量
• 特征2 某个目录下文件数量过多
• 特征3 目录的组成有明显的序列，日志log/logs 日期yyyy-MM-dd 临时tmp temp checkpoint等等的

两大考量点 一个是文件数量一个是文件或目录类型

• 文件数量指的是 单个目录下小文件的数量，可以定义一个阀值，目录小文件下超过阀值的就肯定需要治理,阀值可以是1000，1W，10W
• 文件或目录类型指的是 一些目录或者文件是特定任务或者临时产生使用的。比如日志文件（log,logs）、临时文件或者目录（tmp,temp,temp_transfer），Flink，Spark任务（checkpoint），长年未访问的文件（这个指文件）