shell腳本監控Flume輸出到HDFS上文件合法性

在使用flume中發現由於網絡、HDFS等其它原因，使得經過Flume收集到HDFS上得日志有一些異常，表現為：

1、有未關閉的文件：以tmp(默認)結尾的文件。加入存到HDFS上得文件應該是gz壓縮文件，以tmp為結尾的文件就無法使用；

2、有大小為0的文件，比如gz壓縮文件大小為0，我們單獨拿下這個文件解壓發現是無限循環壓縮的。。。這個也不能直接用來跑mapreduce

目前發現上述兩種情況，其它還暫未發現。至於出現上述情況還沒明確原因，且這兩種情況都會影響hive、MapReduce的正常執行，2的話直接failed，1的話有可能丟失對應的數據。

針對2直接刪掉就行；1中的情況我們發現直接去掉tmp后綴是可以的。為此編寫了一個shell腳本，定時檢查HDFS上得文件發現1就去掉tmp后綴，發現2就刪除文件，腳本如下：

#!/bin/sh

cd `dirname $0`

date=`date -d "1 day ago" +%Y/%m/%d`
echo " date is ${date}"
HADOOP_HOME=/usr/lib/hadoop-0.20-mapreduce/
dataDir=/data/*/
echo "dir is ${dataDir}"
echo "check hdfs file is crrect?"

IFS=$'\n';for name in `${HADOOP_HOME}/bin/hadoop fs -ls ${dataDir}${date}`
do
    size=`echo "${name}" | awk '{print $5}'`
    fileAllName=`echo "${name}" | awk '{print $8}'`
    fileNameNoTmp=`echo ${fileAllName%.tmp*}`
    tmp=`echo ${fileAllName#*.gz}`
    if [ "${size}" == "0" ];then
        echo "${fileAllName} 's size is ${size} ..... delete it!"
        ${HADOOP_HOME}/bin/hadoop fs -rmr ${fileAllName}
    fi
    if [ "${tmp}" == ".tmp" ];then
        ${HADOOP_HOME}/bin/hadoop fs -mv ${fileAllName} ${fileNameNoTmp}
        echo "${fileAllName} has changed to ${fileNameNoTmp}......."
    fi
done

注：上述的地8行，hdfs支持正則的。上述的HDFS目錄是：/data/*/2014/12/08這樣的，大伙可以根據自己的需要修改

可以使用crontab 定時檢查一下。