1 ； ； 引言（Introduction）
如今网络的飞速发展，数据量的增多，这就要求数据库能够具有处理超大规模数据的能力。Hadoop分布式平台的出现，很好地解决了处理海量数据的难题。Hadoop集群架构有两个核心的设计，分别是HDFS（Hadoop Distributed File System）和MapReduce[1]。由于HDFS只有一个元数据服务器NameNode，导致HDFS存在单点故障，单点内存不足等问题。本文在分析研究HDFS单点问题的基础上，针对单点内存瓶颈问题，提出了一种新型的上层归档文件系统，用来优化海量小文件的处理，可有效地解决单点内存瓶颈问题。
2 ； ； HDFS架构（HDFS architecture）
Hadoop分布式文件系统（HDFS）是Hadoop分布式平台的一个核心组件，其设计目的是为了解决超大文件存储难题[2]。HDFS是由一个主节点和多个子节点构成的主从结构。主节点被称为名称节点（NameNode），子节点被称为数据节点（DataNode）。HDFS的架构图如图1所示。
图1 HDFS架构图
； ； ； Fig.1 The architecture diagram of HDFS
名称节点主要负责管理分布式文件系统中的元数据信息，处理用户文件访问操作请求等。而被上传到Hadoop分布式文件系统中的大数据则保存在数据节点中。通过心跳机制，每隔一段时间数据节点与名称节点进行信息交互[3]。
Hadoop分布式文件系统包含名称节点、数据节点、数据块、数据包等组件。
名称节点（NameNode）是HDFS的主节点，负责管理并维护整个分布式文件系统的元数据信息，即：FSImage信息和EditLog信息[4]。NameNode又决定了大数据文件与数据块之间的映射，数据块与数据节点之间的映射，处理客户端发来的文件操作访问请求。
数据节点（DataNode）主要负责存储数据文件，并且每隔一段时间向主节点发送存储数据映射列表。
数据块（Data Block）。分布式文件系统存储的数据都存储在数据块中[5]。上传的数据文件首先被分割成默认大小64MB的数据块，然后文件以数据块的形式存放在不同的DataNode节点上，是分布式文件系统存储数据的基本单位。为了防止数据块丢失，每块默认复制三块，其中两个数据块存储在一个机架中，另一个数据块则被存储在其他的机架中，大大提高了HDFS数据的可用性。
数据包（Data Packet）。在执行写操作时，需要将上传的数据先保存在本地目录中，待累计到系统规定值后才将数据一次写入到Hadoop分布式文件系统中。这样，每次上传的数据称为一个数据包。
3 ； ； NameNode单点问题分析（NameNode single
； ； ； ； point problem analysis）
3.1 ； ； 单点故障
单点故障是指引起系统整体失效的部件，当该部件失效时，会造成整个系统无法工作。Hadoop分布式文件系统由一个主节点和多个子节点构成的。NameNode节点负责管理和维护所有的命名空间和元数据信息，名称节点主要负责管理分布式文件系统中的元数据信息，处理用户文件访问操作请求等。一旦发生主节点故障会使整个系统无法正常工作，这对于使用者来说是灾难性的。
3.2 ； ； 性能瓶颈
NameNode节点主要负责管理并维护整个分布式文件系统的元数据信息，处理用户文件访问操作请求。每次用户发出文件访问操作请求时，NameNode节点都需要响应客户端的请求[6]。由于HDFS仅有一个名称节点，当大量客户端同时发出文件访问操作请求，单一的名称节点无法及时一一做出响应，这必然会对HDFS正常运行造成严重的影响，是HDFS的性能瓶颈。
3.3 ； ； 内存瓶颈
NameNode节点中保存了整个系统的命名空间，负责管理并维护整个分布式文件系统的元数据信息，即：FSImage信息和EditLog信息。对于每个上传的文件，NameNode节点会为其自动生成相应的元数据信息，而这些元数据信息会占用少许的主节点内存空间[7]。HDFS适合存储大数据文件，一般情况下，NameNode节点存储的元数据信息不会对整个Hadoop集群造成影响。上传文件后，用户更多的是与数据节点进行访问交互，不会对访问性能造成影响。然而用户选择上传海量的小文件时，元数据节点需要为每个小文件生成对应的元数据信息，这势必对NameNode单点内存性能造成影响，从而对整个Hadoop集群的扩展性造成影响。一般，当用户上传小文件数量达到一亿，相应的元数据信息约占主节点20G的存储空间。若上传的小文件以指数级增长，HDFS集群将不足以支持海量文件的存储。同样，NameNode内存瓶颈严重制约了集群的扩展。
目前，Hadoop0.18.0版本引入了HAR（Hadoop archives）技术，它可以将众多小文件打包成一个大文件进行存储，减少HDFS中小文件数量，主要解决的是小文件占用大量Namenode内存空间。但是它是一个人工干预的过程，同时既不能够支持自动删除原小文件，也不支持追加操作，当有新文件进来以后，需要重新打包。还有一些针对具体问题的小文件解决方案，如WebGIS提出适用于地理信息系统信息存储机制，和指定存储格式为PPT格式的解决方案。这些解决方案可以有效解决HDFS单点内存瓶颈问题[8]，但均局限于指定的应用环境，不适用其他类型文件的存储，如海量存储MP3格式的文件。
针对HDFS单点内存瓶颈问题，本文提出了新型的上层归档文件系统，用来优化海量小文件的处理。
4 ； 对小文件存储优化的实现（Implementation of
； ； ； ； small file storage optimization）
4.1 ； ； 基本思想
上传小文件前，首先对海量小文件进行预处理，将本地目录中需要处理的小文件写入HashMap集合中，同时通过格式转换生成文件流式集合，其中小文件文件名作为key，文件内容作为value。然后以SequenceFile作为容器，再将HashMap中存储的海量小文件进行归档合并成一个大文件。最后，将合并后的大文件上传Hadoop服务器序列化存储在HDFS中，从而缓解了NameNode节点内存瓶颈问题。处理海量小文件流程如图2所示。
图2 海量小文件处理
； ； ； ； Fig.2 Massive small files processing
4.2 ； ； SmallFilesWrite类的实现
SmallFilesWrite类中，成员变量有两个，就是String类型的静态成员变量SOURCE_PATH和TARGET_PATH，SOURCE_PATH变量表示源路径，即预上传文件本地目录路径。TARGET_PATH表示目标路径，即上传到指定Had
oop分布式文件系统路径。成员方法主要有readFiles方法、file2Bytes方法和main方法。
（1）readFiles方法
上传小文件前，首先对海量小文件进行预处理，将本地目录中需要处理的小文件写入HashMap集合中，其中小文件文件名作为key，文件内容作为value。
首先，在readFiles方法中创建一个File的对象directory，然后调用listFiles方法获取SOURCE_PATH指定路径中的文件的内容。将获取的文件存储在创建的File[]数组中。最后map对象调用put方法，将读取的小文件循环写入到HashMap集合中。这里file[]数组元素调用getName方法获取文件名，作为Map集合中的key，同时调用file2Bytes方法，将文件内容作为Map集合中的value存储。
（2）file2Bytes方法
在Hadoop分布式文件系统中，读写数据的方式满足流式读写，目的可以提高数据访问的吞吐量。为支持不同格式小文件合并，编写了一个file2Bytes方法，该方法的形式参数为String类型的filename，这个参数代表本地目录中预处理文件的文件名。创建FileInputStream对象fis，对其进行初始化，并抛出异常。然后使用对象fis的available方法，目的使其可以不受阻塞地从此输入流中读取（或跳过）的估计剩余字节数。再然后定义一个byte类型的long_buf数组，将本地目录中的小文件进行格式转换，转换成字节流写入long_buf数组中。这样读写数据的方式满足流式读写，同时解决了不同格式的小文件合并问题。
（3）main方法
main方法实现了将海量小文件进行归并处理，生成一个大文件，最后将其分布并发存储到HDFS中。通过遍历Map，迭代输出集合中元素；创建Text对象key，BytesWritable对象value，key调用set方法获取输出集合中元素的key值，value调用set方法获取拷贝的文件内容，偏移量及文件长度；返回一个SequenceFile.Writer实例，这里需要创建FileSystem和Path对象，将数据内容写入path对象，调用append方法完成小文件的追加写入。实现将海量小文件归并处理，生成一个大文件。
4.3 ； ； 文件的访问
自定义一个FileOutputStream文件输出流对象，指定输出目录将需要访问的文件流式读出，将读出的文件返回给需要访问的用户。访问某文件时，首先获取SmallFilesWrite中HDFS中输入目录，创建SequenceFile.Reader对象，通过迭代获取序列文件名和该文件名所对应的文件。
5 ； ； 结论（Conclusion）
本文针对Hadoop分布式文件系统的单点内存瓶颈问题，提出了采用小文件归并的优化算法。根据Hadoop存储数据特点，利用小文件合并大文件，可有效减少元数据的生成，解决了单点内存瓶颈问题。在Hadoop分布式文件系统单点内存瓶颈优化的基础上，对Hadoop分布式文件系统的性能瓶颈的优化将是本人未来主要研究的内容。
参考文献（Reference）
.北 京：清华大学出版社，2011.
