批量上傳文件到HDFS的Shell腳本

在做Hadoop數據挖掘項目的時候，我們第一步是源數據的獲取，即把相應的數據放置到HDFS中，以便Hadoop進行計算，手動將文件上傳到HDFS中，未免太費時費力，所以我們可以采取像Flume一樣的框架，或者采用Shell腳本進行文件的上傳。下面主要提供Shell腳本的大致寫法，僅供參考，可以根據不同業務進行相應的修改。

版本1：

#!/bin/bash

#set java env
export JAVA_HOME=/export/servers/jdk
export JRE_HOME=${JAVA_HOME}/jre
export CLASSPATH=.:${JAVA_HOME}/lib:${JRE_HOME}/lib
export PATH=${JAVA_HOME}/bin:$PATH

#set hadoop env
export HADOOP_HOME=/export/servers/hadoop
export PATH=${HADOOP_HOME}/bin:${HADOOP_HOME}/sbin:$PATH

#日志文件存放的目錄
log_src_dir=/export/software/

#日志文件上傳到hdfs的根路徑
hdfs_root_dir=/data/clickLog/20151226/


#讀取日志文件的目錄，判斷是否有需要上傳的文件

ls $log_src_dir | while read fileName
do
        if [ "hadoop.log1" = "$fileName" ];then
                hadoop fs -put $log_src_dir$fileName $hdfs_root_dir
        fi
done

版本2：

#版本1的問題：
#雖然上傳到Hadoop集群上了，但是原始文件還在。如何處理？
#日志文件的名稱都是xxxx.log1，再次上傳文件時，因為hdfs上已經存在了，會報錯。如何處理？

#如何解決版本1的問題
# 1、先將需要上傳的文件移動到待上傳目錄
# 2、在將文件移動到待上傳目錄時，將文件按照一定的格式重名名
# /export/software/hadoop.log1 /export/data/click_log/xxxxx_click_log_{date}

#!/bin/bash

#set java env
export JAVA_HOME=/home/hadoop/app/jdk1.7.0_51
export JRE_HOME=${JAVA_HOME}/jre
export CLASSPATH=.:${JAVA_HOME}/lib:${JRE_HOME}/lib
export PATH=${JAVA_HOME}/bin:$PATH

#set hadoop env
export HADOOP_HOME=/home/hadoop/app/hadoop-2.6.4
export PATH=${HADOOP_HOME}/bin:${HADOOP_HOME}/sbin:$PATH

#日志文件存放的目錄
log_src_dir=/home/hadoop/logs/log/

#待上傳文件存放的目錄
log_toupload_dir=/home/hadoop/logs/toupload/


#日志文件上傳到hdfs的根路徑
hdfs_root_dir=/data/clickLog/20170419/

#打印環境變量信息
echo "envs: hadoop_home: $HADOOP_HOME"


#讀取日志文件的目錄，判斷是否有需要上傳的文件
echo "log_src_dir:"$log_src_dir
ls $log_src_dir | while read fileName
do
    if [[ "$fileName" == access.log.* ]]; then
    # if [ "access.log" = "$fileName" ];then
        date=`date +%Y_%m_%d_%H_%M_%S`
        #將文件移動到待上傳目錄並重命名
        #打印信息
        echo "moving $log_src_dir$fileName to $log_toupload_dir"xxxxx_click_log_$fileName"$date"
        mv $log_src_dir$fileName $log_toupload_dir"xxxxx_click_log_$fileName"$date
        #將待上傳的文件path寫入一個列表文件willDoing
        echo $log_toupload_dir"xxxxx_click_log_$fileName"$date >> $log_toupload_dir"willDoing."$date
    fi
    
done
#找到列表文件willDoing
ls $log_toupload_dir | grep will | grep -v "_COPY_" | grep -v "_DONE_" | while read line
do
    #打印信息
    echo "toupload is in file:"$line
    #將待上傳文件列表willDoing改名為willDoing_COPY_
    mv $log_toupload_dir$line $log_toupload_dir$line"_COPY_"
    #讀列表文件willDoing_COPY_的內容（一個一個的待上傳文件名）,此處的line就是列表中的一個待上傳文件的path
    cat $log_toupload_dir$line"_COPY_" | while read line
    do
        #打印信息
        echo "puting...$line to hdfs path.....$hdfs_root_dir"
        hadoop fs -put $line $hdfs_root_dir
    done    
    mv $log_toupload_dir$line"_COPY_"  $log_toupload_dir$line"_DONE_"
done

 

定時執行腳本： 

 */1 * * * * sh /export/servers/shell/uploadFile2Hdfs.v2.sh
 */1 * * * * sh source /etc/profile.sh /export/servers/shell/uploadFile2Hdfs.v1.sh
 
# 編輯命令是crontab -e
# 查看命令是crontab -l