Shell脚本查询/统计/删除/按时间保存HDFS文件数据

by ·0评论 · 1,782 人阅读 · 隐藏边栏

  • 生产实践：

    使用Shell脚本操作HDFS中文件数据

  • 学习技巧：

    Shell 数组，date日期时间，awk，hdfs命令使用

  • 脚本内容：      

    通过脚本查询、统计、删除n天前的hdfs文件，然后针对指定的分区路径，做不同的数据周期保存策略。拆成了几个脚本，可以直接拿来用，生产中已验证。注意删除操作请慎用，删除操作最好拆出来单独执行，做好测试，备份，灰度和记录。

HDFS文件查询、统计、删除脚本：list_data_by_day.sh

#!/bin/bash

AGO="`date --date "$1 days ago" "+%F %R"`"
INPATH="${3:-/tmp/hive}"

USAGE="Usage: $0 [N days ago] (listFs|listDir|size|delete) [path, default /tmp/hive]"
if [[ -z "$1" || -z "$2" ]]; then
  echo $USAGE
  exit 1
fi

echo ">>> 将搜索 $AGO 之前的文件"
echo ">>> 将在 $INPATH 下进行搜索"

case $2 in
  listFs)
    hdfs dfs -ls -R "$INPATH" |\
      awk '$1 ~ /^[^d]/ && ($6 " " $7) < '"\"$AGO\""
  ;;
  listDir)
    hdfs dfs -ls "$INPATH" |\
      awk '$1 ~ /^d/ && ($6 " " $7) < '"\"$AGO\""
  ;;
  size)
    dirSize=$(hdfs dfs -du -s -h "$INPATH" | awk '{print $1" "$2}')
    hdfs dfs -ls -R "$INPATH" |\
      awk '$1 ~ /^[^d]/ && ($6 " " $7) < "'"$AGO"'" {
           sum += $5 ; cnt += 1} END {
           print cnt, "个文件，总共", sum, "字节，目录大小", "'"$dirSize"'"}'
  ;;
  delete)
    hdfs dfs -ls -R "$INPATH" |\
    awk '$1 ~ /^[^d]/ && ($6 " " $7) < "'"$AGO"'" {print $8}' | \
    xargs hdfs dfs -rm -skipTrash
  ;;
  *)
    echo $USAGE
    exit 1
  ;;
esac

#  将90天前的分区目录列表写入到待删除列表文件中
#  ./list_data_by_day.sh 90 listDir hdfs://anzhihe-hadoop-1234567/user/hive/warehouse/anzhihe.db/chegva_com_carlife_sdk_log_hi | awk 'NR>2 {print $NF}' > chegva_com_carlife_sdk_log_hi-`date +%F`

# hdfs dfs -du hdfs://anzhihe-hadoop-1234567/user/hive/warehouse/*/ | awk 'NF==2 {print $1","$2} NF>2 {print $1$2","$3}' | sort -hr
# hdfs dfs -du hdfs://anzhihe-hadoop-1234567/user/hive/warehouse/*/ | awk '{print $1","$2}' > warehhouse_tablesize_count_20240508
# hdfs dfs -put warehhouse_tablesize_count_20240508 hdfs://anzhihe-hadoop-1234567/user/anzhihe_sz_dw/hive_storage/

HDFS文件删除脚本：del_data_by_day.sh

#!/bin/bash
# bash del_data_by_day.sh chegva_com_carlife_sdk_log_hi-2024-03-19

FILEPATH=$1
LOGFILE="${FILEPATH}.log"

techo() {
  local msg=$1
  local msg_level=${2:-'INFO'}
  echo "`date '+%F %T'` - [${msg_level}] ${msg}" >> ${LOGFILE}
}

techo "开始清理历史目录..."
while read line; do
  echo hdfs dfs -rm -r -skipTrash $line | tee -a ${LOGFILE}
  hdfs dfs -rm -r -skipTrash $line | tee -a ${LOGFILE}
done < ${FILEPATH}
techo "清理历史目录完毕。"


# hdfs dfs -find hdfs://anzhihe-hadoop-1234567/user/hive/warehouse/anzhihe.db/chegva_com_sn_lbs_tencent_order_df -name "dt=*" | wc -l

# sh list_data_by_day.sh 31 listDir hdfs://anzhihe-hadoop-1234567/user/hive/warehouse/anzhihe.db/chegva_com_lbs_sn_path_list_df | awk 'NR>2 {print $NF}' > chegva_com_lbs_sn_path_list_df-$(date +%F)

HDFS文件数据保存策略配置及统计数据上传脚本：keep_data_by_month.sh

#!/bin/bash
# HDFS历史数据保存策略配置及统计
# 30 1 * * * cd /home/hadoop/scripts && bash keep_data_by_day.sh > /dev/null 2>&1

#set -e
source /etc/profile

declare -a keep_one_month=(
    "hdfs://anzhihe-hadoop-1234567/user/hive/warehouse/anzhihe.db/chegva_com_lbs_sn_path_list_df"
    "hdfs://anzhihe-hadoop-1234567/user/hive/warehouse/anzhihe.db/chegva_com_sn_lbs_tencent_order_df"
    ......
)

declare -a keep_three_month=(
    "hdfs://anzhihe-hadoop-1234567/user/hive/warehouse/anzhihe.db/chegva_com_carlife_sdk_log_hi"
    "hdfs://anzhihe-hadoop-1234567/user/hive/warehouse/anzhihe.db/chegva_com_sn_bind_manage_history_hf"
    ......
)

declare -a keep_six_month=(
    "hdfs://anzhihe-hadoop-1234567/user/hive/warehouse/anzhihe.db/chegva_com_lbs_path_detail_di"
    "hdfs://anzhihe-hadoop-1234567/user/hive/warehouse/anzhihe.db/chegva_com_iot_bizinfo_activesn_view_di"
    ......
)

declare -a keep_one_year=(
    "hdfs://anzhihe-hadoop-1234567/user/hive/warehouse/anzhihe.db/chegva_com_sn_feature_df"
    ......
)

LOGFILE="keep_data_by_day-`date '+%F_%T'`.log"

techo() {
    local msg=$1
    local msg_level=${2:-'INFO'}
    echo "`date '+%F %T'` - [${msg_level}] ${msg}" >> ${LOGFILE}
}

# 实现月份加减，接受两个参数：日期，操作的月数。日期格式为"yyyy-mm-dd"，月数可以为负数，表示减操作。
plus_months() {
    date -d $1 +%F > /dev/null
    IFS=- read -r year month day <<< $1
    num=$2
    
    ((month+=num))
    if [ $month -gt 12 ];then
        ((year+=month/12))
        month=$((month%12))
    else
        while [ $month -le 0 ];do
            ((month+=12))
            ((year-=1))
        done
    fi
    
    days=$(get_days_of_month $year $month)
    if [ $days -lt $day ];then
        day=$days
    fi
    
    date -d $year-$month-$day +%F
}

# 获取指定月份的天数，解决2月份28或29天造成日期不准的问题
get_days_of_month() {
    date_str=$(date -d "$1-$2-01 +1 month -1 day" +%F)
    date -d $date_str +%d
}

keep_data_by_month() {
    #local date_ago="`date -d "$1 days ago" "+%Y-%m-%d"`"
    local today=$(date +%F)
    local date_ago=$(plus_months $today $1)
    shift
    local path=("$@")
    for i in ${path[@]}; do
        echo hdfs dfs -rm -r -skipTrash $i/dt=$date_ago >> ${LOGFILE}
        hdfs dfs -rm -r -skipTrash $i/dt=$date_ago >> ${LOGFILE}
    done
}

# 统计/user/hive/warehouse/所有表数据量大小，上传cos
count_warehouse_tablesize() {
    hdfs dfs -du hdfs://anzhihe-hadoop-1234567/user/hive/warehouse/*/ | awk '{print strftime("%Y-%m-%d",systime())","$1","$2}' > warehhouse_tablesize_count_`date '+%F'`.csv
    hdfs dfs -put warehhouse_tablesize_count_`date '+%F'`.csv hdfs://anzhihe-hadoop-1234567/user/chegva_com/hive_storage/
}

del_log() {
    # 删除一周前的日志记录文件
    find . -type f -name "keep_data_by_day*.log" -mtime +6 -delete
    # 删除一周前的表数据统计文件
    find . -type f -name "warehhouse_tablesize_count*.csv" -mtime +6 -delete
}

main() {
    techo "开始清理数据....."
    techo "删除一个月前分区数据!"
    keep_data_by_month -1 "${keep_one_month[@]}"
    techo "删除三个月前分区数据!"
    keep_data_by_month -3 "${keep_three_month[@]}"
    techo "删除六个月前分区数据!"
    keep_data_by_month -6 "${keep_six_month[@]}"
    techo "删除一年前分区数据!"
    keep_data_by_month -12 "${keep_one_year[@]}"
    techo "清理数据完毕。"
    
    techo "开始统计warehouse表空间大小..."
    count_warehouse_tablesize
    techo "统计warehouse表空间大小完毕。"
    
    del_log
}

main

查看效果：

2024-05-17 10:07:20 - [INFO] 开始清理数据.....
2024-05-17 10:07:20 - [INFO] 删除一个月前分区数据!
hdfs dfs -rm -r -skipTrash hdfs://anzhihe-hadoop-1234567/user/hive/warehouse/anzhihe.db/ods_anzhihe_sn_sdk_log_di/dt=2024-04-17
Deleted hdfs://anzhihe-hadoop-1234567/user/hive/warehouse/anzhihe.db/ods_anzhihe_sn_sdk_log_di/dt=2024-04-17
......
2024-05-17 10:07:20 - [INFO] 删除三个月前分区数据!
hdfs dfs -rm -r -skipTrash hdfs://anzhihe-hadoop-1234567/user/hive/warehouse/anzhihe.db/chegva_com_sn_tencent_map_log_di/dt=2024-02-17
Deleted hdfs://anzhihe-hadoop-1234567/user/hive/warehouse/anzhihe.db/chegva_com_sn_tencent_map_log_di/dt=2024-02-17
......
2024-05-17 10:07:20 - [INFO] 删除六个月前分区数据!
hdfs dfs -rm -r -skipTrash hdfs://anzhihe-hadoop-1234567/user/hive/warehouse/anzhihe.db/chegva_com_lbs_path_detail_di/dt=2023-11-17
Deleted hdfs://anzhihe-hadoop-1234567/user/hive/warehouse/anzhihe.db/chegva_com_lbs_path_detail_di/dt=2023-11-17
......
2024-05-17 10:07:20 - [INFO] 删除一年前分区数据!
hdfs dfs -rm -r -skipTrash hdfs://anzhihe-hadoop-1234567/user/hive/warehouse/anzhihe.db/dw_anzhihe_sn_feature_df/dt=2023-05-17
......
2024-05-17 10:07:20 - [INFO] 开始统计warehouse表空间大小...
2024-05-17 10:07:20 - [INFO] 统计warehouse表空间大小完毕。


参考：


anzhihe 安志合个人博客，版权所有 丨 如未注明，均为原创 丨 转载请注明转自：https://chegva.com/6050.html | ☆★★每天进步一点点,加油!★★☆ | 
标签：

您可能还感兴趣的文章！

发表评论

电子邮件地址不会被公开。 必填项已用*标注