[发明专利]一种面向SparkSql的HDFS小文件实时合并实现方法有效
| 申请号： | 201810142899.9 | 申请日： | 2018-02-11 |
| 公开（公告）号： | CN108256115B | 公开（公告）日： | 2022-02-25 |
| 发明（设计）人： | 马秉楠;吕雁飞;张鸿;何清林;惠榛 | 申请（专利权）人： | 国家计算机网络与信息安全管理中心 |
| 主分类号： | G06F16/182 | 分类号： | G06F16/182;G06F16/172;G06F16/14 |
| 代理公司： | 北京永创新实专利事务所 11121 | 代理人： | 祗志洁 |
| 地址： | 100029*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提供了一种面向SparkSql的HDFS小文件实时合并的实现方法，属于大数据处理技术领域。定期筛选HDFS中待合并的小文件，对得到的待合并小文件，生成合并小文件的Spark任务，并提交至Yarn上执行；对完成小文件合并的结果信息放置于待替换列表中；结合Zookeeper保持SparkSql在使用合并后文件替换被合并文件时维持正常运行；根据SparkSql实时检索数据库表的情况，在Zookeeper中注册和注销相应数据库表的读状态；在文件替换时，通过网络在SparkSql中进行文件元数据缓存增量更新。本发明可以在保持SparkSql正常运行的情况下，实现实时合并HDFS小文件，有效的提高SparkSql的检索效率，在大数据处理领域具有很强的实用性和应用范围，具有很广泛的应用前景。 | ||
| 搜索关键词： | 一种 面向 sparksql hdfs 文件 实时 合并 实现 方法 | ||
【主权项】：
1.一种面向SparkSql的HDFS小文件实时合并实现方法，其特征在于，包括四方面：(1)定期筛选HDFS中待合并的小文件，包括：将设置的文件合并策略预先存放在Hive metastore中；从Hive metastore获取各个数据库表信息和文件合并策略；根据得到的数据库表信息在HDFS中遍历获取相应的文件元数据，根据文件合并策略对获取的文件元数据进行筛选，将符合合并策略的小文件筛选出，并缓存至内存中；(2)对得到的待合并小文件，生成合并小文件的Spark任务，并提交至Yarn上执行；对完成小文件合并的结果信息放置于待替换列表中；(3)结合Zookeeper保持SparkSql在使用合并后文件替换被合并文件时维持正常运行；根据SparkSql实时检索数据库表的情况，在Zookeeper中注册和注销相应数据库表的读状态；(4)在文件替换时，通过网络在SparkSql中进行文件元数据缓存增量更新；在SparkSql中对库表的文件元数据进行缓存，在SparkSql中启动一个Http服务线程，通过该线程接收小文件合并服务发来的合并结果，来达到SparkSql文件元数据增量更新的目的。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于国家计算机网络与信息安全管理中心，未经国家计算机网络与信息安全管理中心许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810142899.9/，转载请声明来源钻瓜专利网。
