小文件指的是那些size比HDFS的block size(默认64M)小的多的文件。任何一个文件，目录和block，在HDFS中都会被表示为一个object存储在namenode的内存中， 每一个object占用150 bytes的内存空间。所以，如果有10million个文件， 每一个文件对应一个block，那么就将要消耗namenode 3G的内存来保存这些block的信息。如果规模再大一些，那么将会超出现阶段计算机硬件所能满足的极限。 
控制小文件的方法有：

1、应用程序自己控制 
2、archive 
3、Sequence File / Map File 
4、CombineFileInputFormat*** 
5、合并小文件，如HBase部分的compact

1、应用程序自己控制

final Path path = new Path("/combinedfile");

final FSDataOutputStream create = fs.create(path);

final File dir = new File("C:\\Windows\\System32\\drivers\\etc");

for(File fileName : dir.listFiles())

{

    System.out.println(fileName.getAbsolutePath());

    final FileInputStream fileInputStream = new

FileInputStream(fileName.getAbsolutePath());

    final List<String> readLines = IOUtils.readLines(fileInputStream);

    for (String line : readLines)

    {

        create.write(line.getBytes());

    }

    fileInputStream.close();

}

create.close();

2、archive 命令行操作

具体参考如下： 
http://blog.csdn.net/scgaliguodong123_/article/details/46341587

文件归档 Archive

hadoop不适合小文件的存储，小文件本身就占用了很多metadata,就会造成namenode越来越大。 
Hadoop Archives (HAR files)是在0.18.0版本中引入的，它的出现就是为了 
缓解大量小文件消耗namenode内存的问题。 
HAR文件是通过在HDFS上构建一个层次化的文件系统来工作。一个HAR文件是通过hadoop的archive命令来创建，而这个命令实际上也是运行了一个MapReduce任务来将小文件打包成HAR。对于client端来说，使用HAR文件没有任何影响。所有的原始文件都使用har://URL。但在HDFS端它内部的文件数减少了。 
通过HAR来读取一个文件并不会比直接从HDFS中读取文件高效，而且实际上可能还会稍微低效一点，因为对每一个HAR文件的访问都需要完成两层读取，index文件的读取和文件本身数据的读取。并且尽管HAR文件可以被用来作为MapReduce job的input，但是并没有特殊的方法来使maps将HAR文件中打包的文件当作一个HDFS文件处理。 
创建文件 hadoop archive -archiveName xxx.har -p /src /dest 
查看内容 hadoop fs -lsr har:///dest/xxx.har

[root@master liguodong]# hadoop archive

archive -archiveName NAME -p <parent path> <src>* <dest>

[root@master liguodong]# hadoop fs -lsr /liguodong

drwxrwxrwx   - hdfs      hdfs          0 2015-05-04 19:40 /liguodong/output

-rwxrwxrwx   3 hdfs      hdfs          0 2015-05-04 19:40 /liguodong/output/_SUCCESS

-rwxrwxrwx   3 hdfs      hdfs         23 2015-05-04 19:40 /liguodong/output/part-r-00000

[root@master liguodong]# hadoop archive -archiveName liguodong.har -p /liguodong output /liguodong/har

[root@master liguodong]# hadoop fs -lsr /liguodong

drwxr-xr-x   - root      hdfs          0 2015-06-03 11:15 /liguodong/har

drwxr-xr-x   - root      hdfs          0 2015-06-03 11:15 /liguodong/har/liguodong.har

-rw-r--r--   3 root      hdfs          0 2015-06-03 11:15 /liguodong/har/liguodong.har/_SUCCESS

-rw-r--r--   5 root      hdfs        254 2015-06-03 11:15 /liguodong/har/liguodong.har/_index

-rw-r--r--   5 root      hdfs         23 2015-06-03 11:15 /liguodong/har/liguodong.har/_masterindex

-rw-r--r--   3 root      hdfs         23 2015-06-03 11:15 /liguodong/har/liguodong.har/part-0

drwxrwxrwx   - hdfs      hdfs          0 2015-05-04 19:40 /liguodong/output

-rwxrwxrwx   3 hdfs      hdfs          0 2015-05-04 19:40 /liguodong/output/_SUCCESS

-rwxrwxrwx   3 hdfs      hdfs         23 2015-05-04 19:40 /liguodong/output/part-r-00000

查看内容

[root@master liguodong]# hadoop fs -lsr har:///liguodong/har/liguodong.har

lsr: DEPRECATED: Please use 'ls -R' instead.

drwxr-xr-x   - root hdfs          0 2015-05-04 19:40 har:///liguodong/har/liguodong.har/output

-rw-r--r--   3 root hdfs          0 2015-05-04 19:40 har:///liguodong/har/liguodong.har/output/_SUCCESS

-rw-r--r--   3 root hdfs         23 2015-05-04 19:40 har:///liguodong/har/liguodong.har/output/part-r-00000

---------------------------------------------------------------

[root@master liguodong]# hadoop archive -archiveName liguodong2.har -p /liguodong/output /liguodong/har

[root@master liguodong]# hadoop fs -lsr har:///liguodong/har/liguodong2.har

-rw-r--r--   3 root hdfs          0 2015-05-04 19:40 har:///liguodong/har/liguodong2.har/_SUCCESS

-rw-r--r--   3 root hdfs         23 2015-05-04 19:40 har:///liguodong/har/liguodong2.har/part-r-00000

3、Sequence File/Map File

Sequence File 
通常对于”the small files problem”的回应会是：使用SequenceFile。 
这种方法是说，使用filename作为key，并且file contents作为value。实践中这种方式非常管用。 
如果有10000个100KB的文件，可以写一个程序来将这些小文件写入到一个单独的 SequenceFile中去，然后就可以在一个streaming fashion(directly or using mapreduce)中来使用这个sequenceFile。不仅如此，SequenceFiles也是splittable的，所以mapreduce 可以break them into chunks，并且分别的被独立的处理。和HAR不同的是，这种方式还支持压缩。 block的压缩在许多情况下都是最好的选择，因为它将多个 records压缩到一起，而不是一个record一个压缩。

在存储结构上， SequenceFile主要由一个Header后跟多条Record组成。 
Header主要包含了Key classname， Value classname，存储压缩算法，用户自定义元数据等信息，此外，还包含了一些同步标识，用于快速定位到记录的边界。

每条Record以键值对的方式进行存储，用来表示它的字符数组可依次解析成：记录的长度、 Key的长度、 Key值和Value值，并且Value值的结构取决于该记录是否被压缩。

数据压缩有利于节省磁盘空间和加快网络传输， SeqeunceFile支持两种格式的数据压缩，分别是： record compression和block compression。 
record compression是对每条记录的value进行压缩 
block compression是将一连串的record组织到一起，统一压缩成一个block。 
block信息主要存储了：块所包含的记录数、每条记录Key长度的集合、每条记录Key值的集合、每条记录Value长度的集合和每条记录Value值的集合 
注：每个block的大小是可通过io.seqfile.compress.blocksize属性来指定的。

Configuration conf=new Configuration();

FileSystem fs=FileSystem.get(conf);

Path seqFile=new Path("seqFile.seq");

//Reader内部类用于文件的读取操作

SequenceFile.Reader reader=new SequenceFile.Reader(fs,seqFile,conf);

//Writer内部类用于文件的写操作,假设Key和Value都为Text类型

SequenceFile.Writer writer=new SequenceFile.Writer(fs,conf,seqFile,Text.class,Text.class);

//通过writer向文档中写入记录

writer.append(new Text("key"),new Text("value"));

IOUtils.closeStream(writer);//关闭write流

//通过reader从文档中读取记录

Text key=new Text();

Text value=new Text();

while(reader.next(key,value))

{

    System.out.println(key);

    System.out.println(value);

}

IOUtils.closeStream(reader);//关闭read流

具体可参考： 
http://blog.csdn.net/scgaliguodong123_/article/details/46391061

MapFile 
MapFile是排序后的SequenceFile,通过观察其目录结构可以看到 
MapFile由两部分组成，分别是data和index。 
index作为文件的数据索引，主要记录了每个Record的key值，以及 
该Record在文件中的偏移位置。 
在MapFile被访问的时候,索引文件会被加载到内存，通过索引映射关系可迅速定位到指定Record所在文件位置，因此，相对SequenceFile而言， MapFile的检索效率是高效的，缺点是会消耗一部分内存来存储index数据。 
需注意的是， MapFile并不会把所有Record都记录到index中去，默认情况下每隔128条记录存储一个索引映射。当然，记录间隔可人为修改，通过MapFIle.Writer的setIndexInterval()方法，或修改io.map.index.interval属性； 
另外，与SequenceFile不同的是， MapFile的KeyClass一定要实现 
WritableComparable接口 ,即Key值是可比较的。

Configuration conf=new Configuration();

FileSystem fs=FileSystem.get(conf);

Path mapFile=new Path("mapFile.map");

//Writer内部类用于文件的写操作,假设Key和Value都为Text类型

MapFile.Writer writer=new MapFile.Writer(conf,fs,mapFile.toString(),Text.class,Text.class);

//通过writer向文档中写入记录

writer.append(new Text("key"),new Text("value"));

IOUtils.closeStream(writer);//关闭write流

//Reader内部类用于文件的读取操作

MapFile.Reader reader=new MapFile.Reader(fs,mapFile.toString(),conf);

//通过reader从文档中读取记录

Text key=new Text();

Text value=new Text();

while(reader.next(key,value))

{

    System.out.println(key);

    System.out.println(value);

}

IOUtils.closeStream(reader);//关闭read流

5、CombineFileInputFormat

相对于大量的小文件来说，hadoop更合适处理少量的大文件。 
CombineFileInputFormat可以缓解这个问题，它是针对小文件而设计的。 
**注：**CombineFileInputFormat是一个抽象类，需要编写一个继承类。 
使用CombineFileInputFormat作为Map任务的输入规格描述，首先需要实现一个自定义的RecordReader。

CombineFileInputFormat的大致原理 
它会将输入多个数据文件（小文件）的元数据全部包装到CombineFileSplit类里面。也就是说，因为小文件的情况下，在HDFS中都是单Block的文件，即一个文件一个Block，一个CombineFileSplit包含了一组文件Block，包括每个文件的起始偏移（offset），长度（length），Block位置（localtions）等元数据。

如果想要处理一个 CombineFileSplit，很容易想到，对其包含的每个InputSplit（实际上这里面没有这个，你需要读取一个小文件块的时候，需要构造一 个FileInputSplit对象）。 
在执行MapReduce任务的时候，需要读取文件的文本行（简单一点是文本行，也可能是其他格式数据）。 
那么对于CombineFileSplit来说，你需要处理其包含的小文件Block，就要对应设置一个RecordReader，才能正确读取文件数据内容。 
通常情况下，我们有一批小文件，格式通常是相同的，只需要在CombineFileSplit实现一个RecordReader的时候， 
内置另一个用来读取小文件Block的RecordReader，这样就能保证读取CombineFileSplit内部聚积的小文件。

我们基于Hadoop内置的CombineFileInputFormat来实现处理海量小文件，需要做的工作，如下所示： 
1、实现一个RecordReader来读取CombineFileSplit包装的文件Block 
2、继承自CombineFileInputFormat实现一个使用我们自定义的RecordReader的输入规格说明类。 
3、处理数据的Mapper实现类 
4、配置用来处理海量小文件的MapReduce Job

package SmallFile;

import java.io.IOException;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.BytesWritable;

import org.apache.hadoop.io.LongWritable;

import org.apache.hadoop.mapreduce.InputSplit;

import org.apache.hadoop.mapreduce.RecordReader;

import org.apache.hadoop.mapreduce.TaskAttemptContext;

import org.apache.hadoop.mapreduce.lib.input.CombineFileInputFormat;

import org.apache.hadoop.mapreduce.lib.input.CombineFileRecordReader;

import org.apache.hadoop.mapreduce.lib.input.CombineFileSplit;

import org.apache.hadoop.mapreduce.lib.input.FileSplit;

import org.apache.hadoop.mapreduce.lib.input.LineRecordReader;

public class CombineSmallfileInputFormat extends

            CombineFileInputFormat<LongWritable,BytesWritable>

{

    @Override

    public RecordReader<LongWritable, BytesWritable> createRecordReader(

            InputSplit split, TaskAttemptContext context) throws IOException

    {

        CombineFileSplit combineFileSplit = (CombineFileSplit)(split);

        CombineFileRecordReader<LongWritable,BytesWritable> recordReader =

            new CombineFileRecordReader<LongWritable,BytesWritable>

            (combineFileSplit, context,CombineSmallfileRecordReader.class);

        try

        {

            recordReader.initialize(combineFileSplit, context);

        }

        catch (InterruptedException e)

        {

            e.printStackTrace();

        }

        return recordReader;

    }

}

class CombineSmallfileRecordReader extends RecordReader<LongWritable,BytesWritable>

{

    private CombineFileSplit combineFileSplit;

    private LineRecordReader lineRecordReader = new LineRecordReader();

    private Path[] paths;

    private int totalLength;

    private int currentIndex;

    private float currentProgress = 0;

    private LongWritable currentKey;

    private BytesWritable currentValue;

    public CombineSmallfileRecordReader(CombineFileSplit combineFileSplit,TaskAttemptContext context,Integer index)

    {

        super();

        this.combineFileSplit = combineFileSplit;

        this.currentIndex = index;

    }

     @Override

     public void initialize(InputSplit split, TaskAttemptContext context)

       throws IOException, InterruptedException

     {

          FileSplit fileSplit = new FileSplit(combineFileSplit.getPath(currentIndex),

                  combineFileSplit.getOffset(currentIndex),combineFileSplit.getLength(currentIndex),

                  combineFileSplit.getLocations());

          lineRecordReader.initialize(fileSplit, context);

          this.paths = combineFileSplit.getPaths(); //分区所在的所有地址

          context.getConfiguration().set("map.input.file.name",

                  combineFileSplit.getPath(currentIndex).getName()); //设置输入文件名

     }

     @Override

     public boolean nextKeyValue() throws IOException, InterruptedException

     {

         if(currentIndex>=0 && currentIndex<totalLength)

         {

             return lineRecordReader.nextKeyValue();

         }

         return false;

     }

     @Override

     public LongWritable getCurrentKey() throws IOException, InterruptedException

     {

          currentKey = lineRecordReader.getCurrentKey();

          return currentKey;

     }

     @Override

     public BytesWritable getCurrentValue() throws IOException, InterruptedException

     {

          byte[]value = lineRecordReader.getCurrentValue().getBytes();

          currentValue.set(value, 0, value.length);

          return currentValue;

     }

     @Override

     public float getProgress() throws IOException, InterruptedException

     {

          if(currentIndex>=0 && currentIndex<totalLength)

          {

               currentProgress = currentIndex/totalLength;

               return currentProgress;

          }

          return currentProgress;

     }

     @Override

     public void close() throws IOException

     {

         lineRecordReader.close();

     }

}