将文件从 HDFS 中的多个目录复制到本地过去 24 小时

Question

我在将数据从 HDFS 获取到本地时遇到问题。 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

所以我需要输入这些文件夹中的每一个（report1、report2、report3...但并非所有这些文件夹都以“report”开头），然后将之前 24 小时复制到本地的 CSV 文件，每个都应该这样做早上 4 点（我可以用 crontab 安排）。 问题是我不知道如何遍历文件并将时间戳作为参数传递。

我尝试过这样的事情（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) }}'

但这个是复制比我早几天的文件，它只复制一个目录中的文件（在本例中为报告 1）。

有什么方法可以让这更灵活和正确。如果这可以是 bash 的求解器，而不是 Python 的求解器，那就太好了。 欢迎任何建议或链接到具有类似问题的好答案。

此外，不必处于某个循环中。我可以为每个报告使用单独的代码行。

Answer 1

注意：我无法对此进行测试，但您可以通过查看输出逐步测试：

通常我会说 Never parse the output of ls，但对于 Hadoop，您在这里别无选择，因为没有与 find 等效的选项。 （从2.7.0开始就有了，不过根据documentation是非常有限的）

第一步：递归ls

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

第 2 步： 使用 awk 仅选择文件和仅选择 CSV 文件
目录由以d 开头的权限来识别，因此我们必须排除这些。最后一个以“csv”结尾的字段可以识别 CSV 文件：

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

确保这里没有有趣的行，它们是空的或只是目录名称...

第 3 步： 继续使用awk 处理时间。我假设你有任何标准的 awk，所以我不会使用 GNU 扩展。 Hadoop 会将时间格式输出为yyyy-MM-dd HH:mm。此格式可以排序，位于字段 6 和 7：

$ 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： 一个一个复制文件：

首先，检查你要执行的命令：

$ 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，请删除#）

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echo）

Answer 2

你可以把“find”和“cp”结合起来使用，例如：

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

如果您想清理超过 24 小时的文件目录，您可以使用：

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。