CN110413587A - 一种老化历史数据的方法和装置 - Google Patents

Abstract

本发明提供一种老化历史数据的方法，包括以下步骤：设置配置文件，配置文件中包括属性目录的路径和所述属性目录下数据的保存周期；将待存储的数据按属性分类后，存入对应属性目录下的对应日期目录下；以及根据所述配置文件中记录的属性目录的路径和所述保存周期，删除所述属性目录中的所述保存周期以外的日期目录中的数据。通过本发明，能够自动地彻底清除老化数据，节省集群空间。

Description

一种老化历史数据的方法和装置

技术领域

本发明涉及计算机领域，并且更具体地，涉及一种基于HDFS分布式文件系统老化历史数据的方法和装置。

背景技术

由于近年来信息技术的迅速发展和广泛普及，大量的数据以指数级增长，谷歌、雅虎、亚马逊等大企业面临海量数据的挑战。谷歌率先推出了谷歌文件系统GFS和MapReduce来应对海量数据的存储和处理，引起广泛的关注，并迅速催生了一个开源的版本，称为Hadoop。在近几年飞速的发展后，Hadoop已经成为互联网公司基础计算平台的一个重要部分，在腾讯、百度、阿里巴巴等国内大企业，以及Twitter、Facebook等国外大企业中，均有自己定制的版本。Hadoop是专门为离线处理和大规模数据分析而设计的，在一次写入多次读取的事务上，Hadoop以高效的实现和稳定的性能，在互联网企业中得到广泛的支持和应用。

伴随着云计算的蓬勃发展，也碰到了许多关键性问题，安全问题尤其突出。Hadoop的分布式存储系统称为Hadoop分布式文件系统，简称HDFS，它由名字节点、第二名字节点、数据节点和DFS客户端等实体节点组成。目前业内关于HDFS分布式文件系统老化历史无用数据的方法相对比较传统，大多数是在空间不足时，手动查看无用数据并进行命令删除；然后清理HDFS垃圾回收箱，以达到最终彻底删除的目的。

因此，实现自动老化集群历史数据不仅可以避免人工误操作，节省人力巡检时间，还能保证集群存储负载，节省集群空间。

发明内容

鉴于此，本发明实施例的目的在于提出一种基于HDFS分布式文件系统老化历史数据的方法和装置，实现自动老化集群历史数据，使得大数据集群存储空间得到充分利用，避免历史无价值老数据冗余带来的一系列问题。

基于上述目的，本发明实施例的一方面提供了一种老化历史数据的方法，包括以下步骤：

设置配置文件，配置文件中包括属性目录的路径和所述属性目录下数据的保存周期；

将待存储的数据按属性分类后，存入对应属性目录下的对应日期目录下；以及

根据所述配置文件中记录的属性目录的路径和所述保存周期，删除所述属性目录中的所述保存周期以外的日期目录中的数据。

在一些实施方式中，所述方法基于HDFS分布式文件系统。

在一些实施方式中，所述删除的数据进入所述HDFS分布式文件系统的回收箱，其中所述方法还包括：

根据所述配置文件，将被删除到所述回收箱中的所述删除数据彻底清除。

在一些实施方式中，所述根据所述配置文件中记录的属性目录的路径和所述保存周期，删除所述属性目录中的所述保存周期以外的日期目录中的数据包括：

读取所述配置文件获取属性目录的路径和保存周期，找到所述属性目录并遍历下级日期目录，根据系统时间和所述保存周期推算需要保存的数据和需要删除的数据。

在一些实施方式中，所述根据所述配置文件中记录的所述数据的属性目录的路径和所述保存周期，删除所述属性目录中的所述保存周期以外的数据还包括：

通过调用Hadoop的API将所述属性目录中的所述保存周期以外的数据进行删除。

在一些实施方式中，根据配置文件，将被删除到所述回收箱中的删除数据彻底清除包括：根据所述配置文件中记录的属性目录和保存周期，将被移到回收箱中的所述删除数据彻底清除，以释放集群存储空间。

本发明实施例的另一方面提供了一种老化历史数据的装置，包括至少一个处理器和存储器，所述存储器存储有处理器可运行的程序代码，所述程序代码在被处理器运行时执行以下步骤：

设置配置文件，配置文件中包括属性目录的路径和所述属性目录下数据的保存周期；

将待存储的数据按属性分类后，存入对应属性目录下的对应日期目录下；以及

根据所述配置文件中记录的属性目录的路径和所述保存周期，删除所述属性目录中的所述保存周期以外的日期目录中的数据。

在一些实施方式中，所述装置应用于HDFS分布式文件系统。

在一些实施方式中，所述步骤还包括：通过调用Hadoop的API将所述属性目录中的所述保存周期以外的数据删除到所述HDFS分布式文件系统的回收箱。

在一些实施方式中，所述步骤还包括：根据所述配置文件，将被删除到所述回收箱中的所述删除数据彻底清除。

本发明具有以下有益技术效果：本发明实施例提供的一种老化历史数据的方法和装置将数据进行分类管理，然后通过人为配置的老化周期，实现自动删除老化数据，并彻底清除回收箱中的删除的老化数据，使得大数据集群存储空间得到充分利用，避免历史无价值老数据冗余带来的一系列问题，将人工删除历史数据变成了半自动化删除成为了可能。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。

图1是根据本发明实施例的一种老化历史数据的方法的流程图；

图2是根据本发明实施例的一种老化历史数据的装置的硬件结构示意图。

具体实施方式

以下描述了本公开的实施例。然而，应该理解，所公开的实施例仅仅是示例，并且其他实施例可以采取各种替代形式。附图不一定按比例绘制；某些功能可能被夸大或最小化以显示特定部件的细节。因此，本文公开的具体结构和功能细节不应被解释为限制性的，而仅仅是作为用于教导本领域技术人员以各种方式使用本发明的代表性基础。如本领域普通技术人员将理解的，参考任何一个附图所示出和描述的各种特征可以与一个或多个其他附图中所示的特征组合以产生没有明确示出或描述的实施例。所示特征的组合为典型应用提供了代表性实施例。然而，与本公开的教导相一致的特征的各种组合和修改对于某些特定应用或实施方式可能是期望的。

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。

基于上述目的，本发明的实施例一方面提出了一种老化历史数据的方法，该方法可应用于在HDFS分布式文件系统中，以彻底清除其老化数据，释放集群存储空间。如图1所示，该方法包括以下步骤：

步骤S101：设置配置文件，配置文件中包括属性目录的路径和所述属性目录下数据的保存周期；

步骤S102：将待存储的数据按属性分类后，存入对应属性目录下的对应日期目录下；以及

步骤S103：根据所述配置文件中记录的属性目录的路径和所述保存周期，删除所述属性目录中的所述保存周期以外的日期目录中的数据。

在一些实施例中，在将数据按属性进行分类后，将数据写入系统时间对应日期目录下。即，通过数据写入程序，根据数据的属性，将该数据分配到HDFS文件系统中的相应属性目录下，然后在该属性目录下，再将该数据存入系统时间对应的日期目录下。当然应当理解，日期目录不一定对应于写入时的系统时间，也可以是修改时的时间，或者其他时间因素也是可能的。

在一些实施例中，创建配置文件delete.conf，在其中配置需要老化的数据的属性目录和该数据的保存周期，即将该数据对应的属性目录的路径与其保存周期写入配置文件中，属性目录与保存周期间用Tab键隔开。

在一些实施例中，读取所述配置文件获取属性目录和保存周期，找到所述属性目录并遍历下级日期目录，根据系统时间和所述保存周期推算需要保存的数据和需要删除的数据。然后通过调用Hadoop的API将该属性目录中的保存周期以外的数据进行删除。

在一些实施例中，由于HDFS有垃圾回收机制的存在，数据并没有直接被删除，而是被移到回收箱中，此时老化数据依然占用内存。于是再次根据配置文件，根据配置文件中记录的属性目录和保存周期，将被移到回收箱中的删除的数据彻底清除，并释放集群存储空间。

在一些实施例中，数据写入程序调用数据存储器将数据依据数据属性与写入时间分类存储到对应的HDFS分布式文件系统中的目录中；通过数据识别器读取配置文件中配置信息，得到所需老化数据的属性目录与保存周期，并封装成属性目录-保存周期对；通过数据老化器获取数所述据识别器封装的所述属性-周期对，找到对应数据目录，并根据保存周期计算出需老化删除的数据，执行删除操作；以及通过数据清除器遍历HDFS回收箱，并根据所述配置文件将已经被所述数据老化器删除的数据彻底清除，并释放出存储空间。

在根据本发明的一个实施例中，数据写入时通过key值获取数据的属性，将该数据放入相应的属性目录下。例如：

Key：pimdata

value：小明男1991/1/1学生

根据key值为pimdata将小明的个人信息分配到HDFS文件系统中的目录/WCH/pimdata，该级目录为属性目录；然后在同一属性目录下，按数据写入日期将数据存入对应日期目录下，例如：小明的个人信息数据2019年5月24日存入HDFS分布式系统，于是将该数据存储到/WCH/pimdata/20190524目录下。

创建配置文件delete.conf，在其中配置需要老化的数据的属性目录与保存周期，例如：/WCH/pimdata保存周期为5天，属性目录与保存周期间用Tab键隔开，于是delete.conf文件中内容为：/WCH/pimdata 5。按行遍历并读取配置文件信息，识别需老化的属性目录与保存周期，组成属性目录-保存周期对，例如：遍历到/WCH/pimdata 5，解析为(/WCH/pimdata，5)。

根据读取到的属性目录遍历下级日期目录，根据系统时间推算出需要保存的数据与需要删除的数据，例如：从配置文件中获取/WCH/pimdata只保存5天数据，遍历pimdata目录下的日期目录并获取系统时间日期，判断5天前的数据为历史需要老化数据；根据识别出的历史数据，调用Hadoop的API进行删除操作，例如：当前时间为2019年5月20日，/WCH/pimdata保存周期为5天，则将/WCH/pimdata下日期目录为2019年5月15日前的数据进行删除操作。

由于HDFS有垃圾回收机制的存在，数据并没有直接被删除，而是被移到回收箱，例如：/WCH/pimdata/20190513被删除之后，会在HDFS中/user/hdfs/.Trash/Current/下；然后再根据配置文件将已确定老化数据从回收箱中进行清除，达到彻底清除的效果，并释放存储空间，例如：将/user/hdfs/.Trash/Current/WCH/pimdata/20190513进行彻底清除，以到达释放空间。

在技术上可行的情况下，以上针对不同实施例所列举的技术特征可以相互组合，或者改变、添加以及省略等等，从而形成本发明范围内的另外实施例。

从上述实施例可以看出，本发明实施例提供的一种老化历史数据的方法将数据进行分类管理，然后通过人为配置的老化周期，实现自动删除老化数据，并彻底清除回收箱中的删除的老化数据，使得大数据集群存储空间得到充分利用，避免历史无价值老数据冗余带来的一系列问题，将人工删除历史数据变成了半自动化删除成为了可能。

基于上述目的，本发明实施例的另一个方面，提出了一种老化历史数据的装置的一个实施例，其中该装置包括至少一个处理器和存储器，所述存储器存储有处理器可运行的程序代码，所述程序代码在被处理器运行时执行以下步骤：

设置配置文件，配置文件中包括属性目录的路径和所述属性目录下数据的保存周期；

将待存储的数据按属性分类后，存入对应属性目录下的对应日期目录下；以及

根据所述配置文件中记录的属性目录的路径和所述保存周期，删除所述属性目录中的所述保存周期以外的日期目录中的数据。

在一些实施例中，该装置应用于HDFS分布式文件系统。所述步骤还包括：通过调用Hadoop的API将所述属性目录中的所述保存周期以外的数据删除到所述HDFS分布式文件系统的回收箱，然后再根据所述配置文件，将被删除到回收箱中的所述删除的数据彻底清除。

进一步地，在所述老化历史数据的装置中，处理器执行程序时执行上述任意一种方法，为简洁起见在此不再赘述。

如图2所示，为本发明提供的老化历史数据的装置的一个实施例的硬件结构示意图。

以如图2所示的计算机设备为例，在该计算机设备中包括处理器201以及存储器202，并还可以包括：输入装置203和输出装置204。

处理器201、存储器202、输入装置203和输出装置204可以通过总线或者其他方式连接，图2中以通过总线连接为例。

存储器202作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的所述老化历史数据的方法对应的程序指令/模块。处理器201通过运行存储在存储器202中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的老化历史数据的方法。

存储器202可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据老化历史数据的方法所创建的数据等。此外，存储器202可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器202可选包括相对于处理器201远程设置的存储器，这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置203可接收输入的数字或字符信息，以及产生与老化历史数据的方法的计算机设备的用户设置以及功能控制有关的键信号输入。输出装置204可包括显示屏等显示设备。

所述一个或者多个老化历史数据的方法对应的程序指令/模块存储在所述存储器202中，当被所述处理器201执行时，执行上述任意方法实施例中的老化历史数据的方法。

所述执行所述老化历史数据的方法的计算机设备的任何一个实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。

最后需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。

此外，典型地，本发明实施例公开所述的装置、设备等可为各种电子终端设备，例如手机、个人数字助理(PDA)、平板电脑(PAD)、智能电视等，也可以是大型终端设备，如服务器等，因此本发明实施例公开的保护范围不应限定为某种特定类型的装置、设备。本发明实施例公开所述的客户端可以是以电子硬件、计算机软件或两者的组合形式应用于上述任意一种电子终端设备中。

此外，根据本发明实施例公开的方法还可以被实现为由CPU执行的计算机程序，该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被CPU执行时，执行本发明实施例公开的方法中限定的上述功能。

此外，上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。

此外，应该明白的是，本文所述的计算机可读存储介质(例如，存储器)可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的，非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM)，该RAM可以充当外部高速缓存存储器。作为例子而非限制性的，RAM可以以多种形式获得，比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDRSDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、以及直接Rambus RAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。

本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现所述的功能，但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。

结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里所述功能的下列部件来实现或执行：通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器，但是可替换地，处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。

结合这里的公开所描述的方法或算法的步骤可以直接包含在硬件中、由处理器执行的软件模块中或这两者的组合中。软件模块可以驻留在RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域已知的任何其它形式的存储介质中。示例性的存储介质被耦合到处理器，使得处理器能够从该存储介质中读取信息或向该存储介质写入信息。在一个替换方案中，所述存储介质可以与处理器集成在一起。处理器和存储介质可以驻留在ASIC中。ASIC可以驻留在用户终端中。在一个替换方案中，处理器和存储介质可以作为分立组件驻留在用户终端中。

在一个或多个示例性设计中，所述功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现，则可以将所述功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质，该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的，该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备，或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外，任何连接都可以适当地称为计算机可读介质。例如，如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件，则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外线、无线电和微波的无线技术均包括在介质的定义。如这里所使用的，磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘，其中磁盘通常磁性地再现数据，而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。

应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。

上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器、磁盘或光盘等。

上述实施例是实施方式的可能示例，并且仅仅为了清楚理解本发明的原理而提出。所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上所述的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。

Claims (10)

1.一种老化历史数据的方法，其特征在于，包括以下步骤：

设置配置文件，所述配置文件中包括属性目录的路径和所述属性目录下数据的保存周期；

将待存储的数据按属性分类后，存入对应属性目录下的对应日期目录下；以及

根据所述配置文件中记录的所述属性目录的路径和所述保存周期，删除所述属性目录中的所述保存周期以外的日期目录中的数据。

2.根据权利要求1所述的方法，其特征在于，所述方法基于HDFS分布式文件系统。

3.根据权利要求2所述的方法，其特征在于，所述删除的数据进入所述HDFS分布式文件系统的回收箱，其中所述方法还包括：

根据所述配置文件，将被删除到所述回收箱中的所述删除数据彻底清除。

4.根据权利要求2所述的方法，其特征在于，所述根据所述配置文件中记录的属性目录的路径和所述保存周期，删除所述属性目录中的所述保存周期以外的日期目录中的数据包括：

读取所述配置文件获取属性目录的路径和保存周期，找到所述属性目录并遍历下级日期目录，根据系统时间和所述保存周期推算需要保存的数据和需要删除的数据。

5.根据权利要求4所述的方法，其特征在于，所述根据所述配置文件中记录的所述数据的属性目录的路径和所述保存周期，删除所述属性目录中的所述保存周期以外的数据还包括：

通过调用Hadoop的API将所述属性目录中的所述保存周期以外的数据进行删除。

6.根据权利要求3所述的方法，其特征在于，所述根据所述配置文件，将被删除到所述回收箱中的所述删除数据彻底清除包括：根据所述配置文件中记录的属性目录和保存周期，将被移到回收箱中的所述删除数据彻底清除，以释放集群存储空间。

7.一种老化历史数据的装置，其特征在于，包括至少一个处理器和存储器，所述存储器存储有处理器可运行的程序代码，所述程序代码在被处理器运行时执行以下步骤：

设置配置文件，所述配置文件中包括属性目录的路径和所述属性目录下数据的保存周期；

将待存储的数据按属性分类后，存入对应属性目录下的对应日期目录下；以及

根据所述配置文件中记录的所述数据的属性目录的路径和所述保存周期，删除所述属性目录中的所述保存周期以外的日期目录中的数据。

8.根据权利要求7所述的装置，其特征在于，所述装置应用于HDFS分布式文件系统。

9.根据权利要求8所述的装置，其特征在于，所述步骤还包括：通过调用Hadoop的API将所述属性目录中的所述保存周期以外的数据删除到所述HDFS分布式文件系统的回收箱。

10.根据权利要求9所述的装置，其特征在于，所述步骤还包括：根据所述配置文件，将被删除到所述回收箱中的所述删除数据彻底清除。