tl; dr：为了能够在列出的路径中使用通配符(globs),只需使用
globStatus(...)而不是
listStatus(...).
上下文
我的HDFS集群上的文件被组织成分区,日期是“根”分区.文件结构的简化示例如下所示：
/schemas_folder ├── date=20140101 │ ├── A-schema.avsc │ ├── B-schema.avsc ├── date=20140102 │ ├── A-schema.avsc │ ├── B-schema.avsc │ ├── C-schema.avsc └── date=20140103 ├── B-schema.avsc └── C-schema.avsc
在我的情况下,目录在不同的日期为不同类型的数据(本例中为A,B和C)存储Avro模式.随着时间的推移,架构可能会开始存在,进化和停止现有的….
目标
我需要尽可能快地得到给定类型的所有模式.在我想要获取类型A中存在的所有模式的示例中,我想执行以下操作：
hdfs dfs -ls /schemas_folder/date=*/A-schema.avsc
那会给我
Found 1 items -rw-r--r-- 3 user group 1234 2014-01-01 12:34 /schemas_folder/date=20140101/A-schema.avsc Found 1 items -rw-r--r-- 3 user group 2345 2014-01-02 23:45 /schemas_folder/date=20140102/A-schema.avsc
问题
我不想使用shell命令,似乎在Java API中似乎找不到与上面的命令相同的命令.当我尝试自己实施循环,我会得到可怕的表现.我至少要命令行的表现(在我的情况下约3秒)…
到目前为止我发现了
可以注意到,它打印两次发现1个项目,每次结果之前一次.它一开始就不打印找到2个项目.这可能暗示通配符在FileSystem方面未实现,但由客户端处理.我似乎找不到正确的源代码来看看它是如何实现的.
下面是我的第一枪,可能有点太天真了…
使用listFiles(…)
码：
RemoteIterator<LocatedFileStatus> files = filesystem.listFiles(new Path("/schemas_folder"),true);
Pattern pattern = Pattern.compile("^.*/date=[0-9]{8}/A-schema\\.avsc$");
while (files.hasNext()) {
Path path = files.next().getPath();
if (pattern.matcher(path.toString()).matches())
{
System.out.println(path);
}
}
结果：
这打印出我所期望的,但由于它首先列出了所有的递归,然后过滤器,性能真的很差.使用我当前的数据集,需要将近25秒…
使用listStatus(…)
码：
FileStatus[] statuses = filesystem.listStatus(new Path("/schemas_folder"),new PathFilter()
{
private final Pattern pattern = Pattern.compile("^date=[0-9]{8}$");
@Override
public boolean accept(Path path)
{
return pattern.matcher(path.getName()).matches();
}
});
Path[] paths = new Path[statuses.length];
for (int i = 0; i < statuses.length; i++) { paths[i] = statuses[i].getPath(); }
statuses = filesystem.listStatus(paths,new PathFilter()
{
@Override
public boolean accept(Path path)
{
return "A-schema.avsc".equals(path.getName());
}
});
for (FileStatus status : statuses)
{
System.out.println(status.getPath());
}
结果：
由于PathFilters和数组的使用,它似乎执行得更快(约12秒).然而,代码更复杂,并且更难适应不同的情况.最重要的是,性能比命令行版本慢3到4倍！
题
我在这里缺少什么？什么是最快的方式来获得我想要的结果？
更新
2014.07.09 – 13:38
在上面给出的例子中,代码最终如下所示：
FileStatus[] statuses = filesystem.globStatus(new Path("/schemas_folder/date=*/A-schema.avsc"));
for (FileStatus status : statuses)
{
System.out.println(status.getPath());
}
这是迄今为止所能找到的最好看的和最好的代码,但是仍然不能像shell一样执行.