Question

从HDFS到本地获取数据时遇到问题。例如：

/path/to/folder/report1/report1_2019_03_24-03_10*.csv
/path/to/folder/report1/report1_2019_03_24-04_12*.csv
...
/path/to/folder/report1/report1_2019_03_25-05_12*.csv
/path/to/folder/report1/report1_2019_03_25-06_12*.csv
/path/to/folder/report1/report1_2019_03_25-07_11*.csv
/path/to/folder/report1/report1_2019_03_25-08_13*.csv
/path/to/folder/report2/report2_out_2019_03_25-05_12*.csv
/path/to/folder/report2/report2_out_2019_03_25-06_11*.csv
/path/to/folder/report3/report3_TH_2019_03_25-05_12*.csv

因此，我需要输入每个文件夹（report1，report2，report3 ...，但并非所有文件夹都以“ report”开头），然后输入从前24小时复制到本地的CSV文件，并且每个早上4点（我可以通过crontab安排时间）。问题是我不知道如何遍历文件并将时间戳记作为参数传递。

我已经尝试过类似的方法（在Stack Overflow上找到）

/datalake/hadoop/bin/hadoop fs -ls /path/to/folder/report1/report1/*    |   tr -s " "    |    cut -d' ' -f6-8    |     grep "^[0-9]"    |    awk 'BEGIN{ MIN=1440; LAST=60*MIN; "date +%s" | getline NOW } { cmd="date -d'\''"$1" "$2"'\'' +%s"; cmd | getline WHEN; DIFF=NOW-WHEN; if(NOW > DIFF){ print "Migrating: "$3; system("datalake/hadoop/bin/hadoop fs -copyToLocal /path/to/local_dir/"$3) }}'

但是这是复制早于几天的文件，并且仅从一个目录（在本例中为report1）复制文件。

有什么方法可以使此操作更加灵活和正确。如果可以使用bash而不是Python来解决问题，那就太好了。任何建议都值得欢迎，或者可以链接到存在类似问题的良好答案。

此外，也不必处于某个循环中。我可以为每个报告使用分隔的代码行。

Answer 1

注意：，我无法对此进行测试，但是您可以通过查看输出来逐步测试这一点：

通常我会说Never parse the output of ls，但是使用hadoop时您实际上没有选择，因为没有等效于find的选择。（从2.7.0版开始可以找到，但是根据documentation来说，它是非常有限的）

步骤1：递归ls

$ hadoop fs -ls -R /path/to/folder/

步骤2：使用awk仅选择文件，仅选择csv文件
目录通过以d开头的权限来识别，因此我们必须排除这些权限。并且csv文件由csv结尾的最后一个字段识别：

$ hadoop fs -ls -R /path/to/folder/ | awk '!/^d/ && /\.csv$/'

确保您在此处不会出现有趣的行，这些行是空的或只是目录名...

第3步：：继续使用awk处理时间。我假设您有任何标准的awk，所以我不会使用GNU扩展。 hadoop将输出时间格式为yyyy-MM-dd HH:mm。这是一种可排序的格式，位于字段6和7中：

$ hadoop fs -ls -R /path/to/folder/  \
   | awk -v cutoff="$(date -d '-24 hours' '+%F %H:%M')" \
         '(!/^d/) && /\.csv$/ && (($6" "$7) > cutoff)'

第4步：一份一份复制文件：

首先，检查要执行的命令：

$ hadoop fs -ls -R /path/to/folder/  \
   | awk -v cutoff="$(date -d '-24 hours' '+%F %H:%M')" \
         '(!/^d/) && /\.csv$/ && (($6" "$7) > cutoff) {
            print "migrating", $NF
            cmd="hadoop fs -get "$NF" /path/to/local/"
            print cmd
            # system(cmd)
         }'

（如果要执行，则删除#）

或

$ hadoop fs -ls -R /path/to/folder/  \
   | awk -v cutoff="$(date -d '-24 hours' '+%F %H:%M')" \
         '(!/^d/) && /\.csv$/ && (($6" "$7) > cutoff) {
            print $NF
         }' | xargs -I{} echo hadoop fs -get '{}' /path/to/local/

（如果要执行，请删除回声）

Answer 2

通过将“ find”与“ cp”结合使用，可以使其更简单，例如：

find /path/to/directory/ -type f -name "*.csv" | xargs cp -t /path/to/copy

如果要清除24小时以上的文件目录，可以使用：

find /path/to/files/ -type f -name "*.csv" -mtime +1 | xargs rm -f

也许您可以将它们实现为脚本，然后将其设置为Cron上的任务。

过去24小时将文件从HDFS的多个目录复制到本地

2 个答案: