如何删除多个HDFS目录中最近创建的文件？

Question

我犯了一个错误，将几百个零件文件添加到按日期分区的 table 中。我能够看到哪些文件是新文件（这些是我要删除的文件）。我在这里看到的大多数情况都与删除早于某个日期的文件有关，但我只想删除我最近的文件。

一天，我可能有 3 个这样的文件，我只想删除新文件。我可以说它是新的，因为当我使用 hadoop fs -ls

时更新时间戳

/this/is/my_directory/event_date1_newfile_20191114
/this/is/my_directory/event_date1_oldfile_20190801
/this/is/my_directory/event_date1_oldfile_20190801

我有很多日期，所以我必须为 event_date2、event_date3 等完成这个，总是从每个日期中删除 'new_file_20191114'。

旧的日期是 2019 年 8 月，我的新文件是昨天更新的，11/14/19。

我觉得应该有一个 easy/quick 解决方案，但我无法从大多数人询问的情况中找到相反的情况。

Answer 1

正如您在回答中提到的，您已经获得了需要删除的文件列表。创建一个简单的脚本将输出重定向到临时文件

像这样

hdfs dfs -ls /tmp | sort -k6,7 > files.txt

请注意 sort -k6,7 这将给出所有文件，但按时间戳排序。我确定您不想全部删除，因此您可以 select 需要删除的前 n 个文件让我们说 100

然后您可以将命令更新为

hdfs dfs -ls /tmp | sort -k6,7 | head -100 |  awk '{print }' > files.txt

或者如果您知道新文件的具体时间戳，那么您可以尝试以下命令

hdfs dfs -ls /tmp | sort -k6,7 | grep "<exact_time_stamp>" |  awk '{print }' > files.txt

然后读取那个文件，一个一个删除所有文件

while read file; do
  hdfs -rm $file
  echo "Deleted $file" >> deleted_files.txt #this is to track which files have been deleted

done <files.txt

所以你完成的脚本可以像

#!/bin/bash

 hdfs dfs -ls /tmp | sort -k6,7 | grep "<exact_time_stamp>" |  awk '{print }' > files.txt

 while read file; do
     hdfs -rm $file
     echo "Deleted $file" >> deleted_files.txt #this is to track which files have been deleted

   done <files.txt

如何删除多个HDFS目录中最近创建的文件？

How to delete the most recently created files in multiple HDFS directories?

hadoop

hive

hql

hdfs

hadoop-partitioning