Hadoop Archive解决海量小文件存储
单台服务器作为Namenode，当文件数量规模不断增大时，元数据的规模增长将是一个需要面对的问题，由于Namenode需要将所有元数据Load到内存中，单台Namenode可能会无法管理海量的元数据。另一个是HDFS中SequenceFile存储方式的讨论，利用Block压缩方式可以很好的解决空间压力。
HDFS中文件是按Block来存储的，默认一个Block的长度是128MB，当HDFS中存在大量小文件（长度小于128MB）时，
不仅占用大量存储空间，而且也占用大量的Namespace，给Namenode带来了内存压力.
Yahoo内部有一个生产集群，统计下来有57,000,000个小于128MB的文件，这些小文件消耗了95%的namespace，
占用了30%的存储空间。Namenode的压力一般也常常是因为有海量的小文件存在，如果没有这些小文件存在的话，
Namenode内存还没撑爆，估计存储空间就先爆了.
Hadoop Archive: File Compaction for HDFS提到了解决方法，是利用Hadoop Archive（HAR），这个特性从Hadoop 0.18.0版本就已经引入了，他可以将众多小文件打包成一个大文件进行存储，并且打包后原来的文件仍然可以通过Map-reduce进行操作，打包后的文件由索引和存储两大部分组成，索引部分记录了原有的目录结构和文件状态。
Har归档:
hadoop archive -archiveName test.har -p /A/B/C/D/ E1/F1 E2/F2 /A/G/
命令分析：
目标文件名：-archiveName test.har
源文件的父目录： -p /A/B/C/D/
源文件（夹可以有多个），如这里的E1/F1和E2/F2
所以源文件其实是： 父目录路径 + 相对子路径
最后一个参数就是目录文件夹了 dest path: 所以最终结果的路径是 dest path + achiveName
root@ubuntu:~/workspace# hadoop archive -archiveName files.har testhar/testhar/* testhar
HAR对我们来说，就是把众多文件整合到一起，文件个数减小了，但是文件总体大小并没有减少（无压缩）。归档文件与原文件分别使用了不同的Block，并没有共用Block。当归档文件较多时，性能并不明显（典型的HDFS拷贝）。
package cn.edu.xmu.dm.har; import java.net.URI; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.FileStatus; import org.apache.hadoop.fs.HarFileSystem; import org.apache.hadoop.fs.Path; /** * desc:Har test * <code>HarMain</code> * @author chenwq ([email protected]) * @version 1.0 2012/05/18 *@since Hadoop 0.18 */ public class HarMain { public static void main(String[] args) throws Exception { Configuration conf = new Configuration(); conf.set("fs.default.name", "hdfs://127.0.0.1:9000"); HarFileSystem fs = new HarFileSystem(); fs.initialize(new URI("har:////user/root/testhar/files.har"), conf); FileStatus[] listStatus = fs.listStatus(new Path("user/root/")); for (FileStatus fileStatus : listStatus) { System.out.println(fileStatus.getPath().toString()); } } }