代码地址：https://github.com/lijufeng2016/data-manager
hdfs集群从出生到成长，经历了各种各样业务和人的摧残，早已疲惫不堪，承受巨大压力。某天，你突然发现hdfs的空间超过80%的告警阈值，这时候，你的第一反应是找出那些比较占空间的目录，手动删除，或者是写个定时脚本每天清理固定的目录，随着业务和时间的不断摧残，小朋友，你是否有很多问号？
- 占大头的文件清理后还是发现hdfs占用空间大，不停地找要清理的目录，最后发现小文件加起来也占用大
- 同时很多人使用同一个集群，经过互联网的几番大洗礼后hdfs留下很多已离职人员的大量文件不知所措
- 哪些数据该清还是不该清毫无头绪，万一误删了呢
- 很多垃圾文件存放在hdfs上，但是分不清哪些到底是垃圾文件，不知道文件还有没有人用
针对上述问题，我们可不可以换一种清理hdfs的思路呢？不需要反复修改脚本去指定特定要删的目录呢？也不需要为了找哪些需要清理的目录而焦头烂额呢？来，接下来变魔术给你看。
本文介绍一种方法，可以清hive数据，也可以清非hive表的hdfs数据。基本原理是通过解析hadoop fsimage文件获得hdfs全量的文件路径和所有文件最后的访问时间，请hive表数据则还需要加上hive的元数据信息。
fsimage是hdfs的心脏，hdfs的全量的路径信息都存放在fsimage文件里面。我们在操作hdfs时，不论是增删改查，hadoop都会记录一条edit log，也就是hdfs的操作记录，edit log会定时merge生成fsimage文件，在HA模式下，fsimage文件由standby NameNode生成，单点模式下，由secondary NameNode生成。fsimage文件本身是二进制不可明文读取的，我们需要解析成可读的形式，比如csv。hadoop自带的命令hdfs oiv是专门用来解析fsimage文件，通过执行hdfs getconf -confKey dfs.namenode.name.dir命令可以知道fsimage的路径，在路径下默认会保存两个fsimage文件，都是fsimage_xxxxxxxxxxx的格式带一串时间戳，时间戳最大的那个就是由最新edit log合并解析生成的。
执行:
hdfs oiv -p Delimited -delimiter "," -i fsimage_xxxxxxxx -o fsimage.csv解析fsimage生成csv文件，文件内容包含了hdfs所有文件和目录，csv包含如下列：
- Path 目录路径
- Replication 备份数
- ModificationTime 最后修改时间
- AccessTime 最后访问时间
- PreferredBlockSize 首选块大小 byte
- BlocksCount 块 数
- FileSize 文件大小 byte
- NSQUOTA 名称配额 限制指定目录下允许的文件和目录的数量。
- DSQUOTA 空间配额 限制该目录下允许的字节数
- Permission 权限
- UserName 用户
- GroupName 用户组
加粗的部分，是两个最重要的字段，AccessTime作为hdfs文件访问的最后时间，可以根据它去确定哪些文件还在用，哪些已经很久没用，可以判定为垃圾文件或过期数据，达到清理的目的。必须要开启dfs.namenode.accesstime.precision参数才会有AccessTime，默认开启值为1。但是在hdp集群是默认关闭的，注意要在hdfs-site.xml文件里面配置开启。
解析后的csv文件会上传到对应字段的建好的hive表，给后面清理逻辑使用
一般在配置hive的时候，都会选用mysql作为元数据存储的介质，hive的元数据表很多，记录了表名、分区、路径、参数等等一切除了表数据之外的所有信息，我们在hive的元数据库里面需要知道表的hdfs路径和分区，清理hive数据的时候再根据上述的fsimage对应的hive表去做关联，把要清理的表或表分区关联出来
代码地址：https://github.com/lijufeng2016/data-manager
主类：
com.xkj.mlrc.fsimage.GenerateFsimageTable：解析生成fsimage的csv文件并上传到hive
com.xkj.mlrc.clean.table.HiveTableClean：清理hive表的逻辑
com.xkj.mlrc.clean.file.HdfsFileClean：清理hdfs目录文件的逻辑，与上面清理hive的逻辑独立不冲突
args参数说明：
| 参数名 | 说明 |
|---|---|
| -targetPath | 指定的要删的目标路径，逗号隔开 |
| -avoidPath | 要避开删除的路径，不扫描的路径,逗号隔开 |
| -avoidSuffix | 要避开的包含后缀的文件,逗号隔开 |
| -avoidPrefix | 要避开的包含前缀的文件,逗号隔开 |
| -avoidDbs | 要避免删除的hive库，包含库下所有的表分区，逗号隔开 |
| -avoidTbls | 要避免删除的hive表，包含表下所有的分区，逗号隔开 |
| -avoidTbls-file | 用要避免删除的表，用文件存放在hdfs，必须是“库.表名”的形式，包含表下所有的分区 |
| -expire | 过期的数据时间，也就是清理多少天之前的数据，这是个参数很重要，必须大于0 |
| -hdfsroot | hdfs根路径，HA模式如 hdfs://bigdatacluster，单点模式如：hdfs://xxxx:50070 |
必要的准备
必须要把hive-site.xml、core-site.xml、hdfs-site.xml文件放在项目的resources下，否则运行不起来！然后按照自己的环境修改所有config.properties配置项。
执行主类com.xkj.mlrc.fsimage.GenerateFsimageTable，会远程ssh到NameNode执行一系列shell并解析fsimage文件上传到hdfs
根据自己的需要运行
com.xkj.mlrc.clean.table.HiveTableClean 或 com.xkj.mlrc.clean.file.HdfsFileClean清理hive表或hdfs数据，并根据上面的args参数说明列表传入自己需要的参数运行
照自己的环境修改所有config.properties配置项，maven打包项目生成data-manager.jar文件上传到集群机器上
在NameNode的节点下执行项目run目录下的ParseFsimageFile2Hive.sh脚本，会执行一系列shell并解析fsimage文件上传到hdfs
根据自己的需要运行项目run目录下的HdfsFileClean.sh 或 HiveTableClean.sh脚本清理hive表或hdfs数据，根据自己的需要配置上面的args参数列表
这种方法完美的利用了fsimage文件和hive元数据。传统删数据的方法需要用户知道哪些目录该删或不该删，用这种方法，你只需要关注多久没使用过的数据就删，比如有的文件连续超过7天未被读取，之后被读取的可能性也不大，就可以用上面的代码去做清理。代码里也特意做了安全机制，hdfs的java api中，直接删除的话不会放hdfs的回收站，这个项目里是把所有数据放入回收站，等到回收触发的时间才彻底删除，如果误删了数据也可以有时间恢复。