大數據學習之HDFS 簡介原理及基本使用

1.HDFS前言

設計思想java

分而治之:將大文件、大批量文件,分佈式存放在大量服務器上,以便於採起分而治之的方式對海量數據進行運算分析;node

在大數據系統中做用:linux

爲各種分佈式運算框架(如:mapreducesparktez……)提供數據存儲服務web

重點概念:文件切塊,副本存放,元數據redis

 

2.HDFS的概念和特性

Hadoop Distributed File Systemshell

首先,它是一個文件系統,用於存儲文件,經過統一的命名空間——目錄樹來定位文件apache

其次,它是分佈式的,由不少服務器聯合起來實現其功能,集羣中的服務器有各自的角色;編程

重要特性以下:windows

(1)HDFS中的文件在物理上是分塊存儲(block,塊的大小能夠經過配置參數( dfs.blocksize)來規定,默認大小在hadoop2.x版本中是128M,老版本中是64Mapi

(2)HDFS文件系統會給客戶端提供一個統一的抽象目錄樹,客戶端經過路徑來訪問文件,形如:hdfs://namenode:port/dir-a/dir-b/dir-c/file.data

(3)目錄結構及文件分塊信息(元數據)的管理由namenode節點承擔

——namenodeHDFS集羣主節點,負責維護整個hdfs文件系統的目錄樹,以及每個路徑(文件)所對應的block塊信息(blockid,及所在的datanode服務器)

(4)文件的各個block的存儲管理由datanode節點承擔

---- datanodeHDFS集羣從節點,每個block均可以在多個datanode上存儲多個副本(副本數量也能夠經過參數設置dfs.replication

(5)HDFS是設計成適應一次寫入,屢次讀出的場景,且不支持文件的修改

(注:適合用來作數據分析,並不適合用來作網盤應用,由於,不便修改,延遲大,網絡開銷大,成本過高)

 

 

3. HDFSshell(命令行客戶端)操做

 

3.1 HDFS命令行客戶端使用

 

HDFS提供shell命令行客戶端,使用方法以下:

 

3.2 命令行客戶端支持的命令參數

 

        [-appendToFile <localsrc> ... <dst>]

        [-cat [-ignoreCrc] <src> ...]

        [-checksum <src> ...]

        [-chgrp [-R] GROUP PATH...]

        [-chmod [-R] <MODE[,MODE]... | OCTALMODE> PATH...]

        [-chown [-R] [OWNER][:[GROUP]] PATH...]

        [-copyFromLocal [-f] [-p] <localsrc> ... <dst>]

        [-copyToLocal [-p] [-ignoreCrc] [-crc] <src> ... <localdst>]

        [-count [-q] <path> ...]

        [-cp [-f] [-p] <src> ... <dst>]

        [-createSnapshot <snapshotDir> [<snapshotName>]]

        [-deleteSnapshot <snapshotDir> <snapshotName>]

        [-df [-h] [<path> ...]]

        [-du [-s] [-h] <path> ...]

        [-expunge]

        [-get [-p] [-ignoreCrc] [-crc] <src> ... <localdst>]

        [-getfacl [-R] <path>]

        [-getmerge [-nl] <src> <localdst>]

        [-help [cmd ...]]

        [-ls [-d] [-h] [-R] [<path> ...]]

        [-mkdir [-p] <path> ...]

        [-moveFromLocal <localsrc> ... <dst>]

        [-moveToLocal <src> <localdst>]

        [-mv <src> ... <dst>]

        [-put [-f] [-p] <localsrc> ... <dst>]

        [-renameSnapshot <snapshotDir> <oldName> <newName>]

        [-rm [-f] [-r|-R] [-skipTrash] <src> ...]

        [-rmdir [--ignore-fail-on-non-empty] <dir> ...]

        [-setfacl [-R] [{-b|-k} {-m|-x <acl_spec>} <path>]|[--set <acl_spec> <path>]]

        [-setrep [-R] [-w] <rep> <path> ...]

        [-stat [format] <path> ...]

        [-tail [-f] <file>]

        [-test -[defsz] <path>]

        [-text [-ignoreCrc] <src> ...]

        [-touchz <path> ...]

        [-usage [cmd ...]]

 

3.2 經常使用命令參數介紹

 

Shell客戶端啓動    Hadoop fs                 hdfs dfs

-help             

功能:輸出這個命令參數手冊

-ls                  

功能:顯示目錄信息

示例: hadoop fs -ls hdfs://hadoop-server01:9000/

備註:這些參數中,全部的hdfs路徑均可以簡寫

-->hadoop fs -ls /   等同於上一條命令的效果

-mkdir              

功能:在hdfs上建立目錄

示例:hadoop fs  -mkdir  -p  /aaa/bbb/cc/dd

-moveFromLocal            

功能:從本地剪切粘貼到hdfs

示例:hadoop  fs  - moveFromLocal  /home/hadoop/a.txt  /aaa/bbb/cc/dd

-moveToLocal              

功能:從hdfs剪切粘貼到本地

示例:hadoop  fs  - moveToLocal   /aaa/bbb/cc/dd  /home/hadoop/a.txt

--appendToFile  

//存活的節點數大於等於副本數量(3

功能:追加一個文件到已經存在的文件末尾

示例:hadoop  fs  -appendToFile  ./hello.txt  hdfs://hadoop-server01:9000/hello.txt

能夠簡寫爲:

Hadoop  fs  -appendToFile  ./hello.txt  /hello.txt

 

-cat  

功能:顯示文件內容  

示例:hadoop fs -cat  /hello.txt

 

-tail                 

功能:顯示一個文件的末尾

示例:hadoop  fs  -tail  /weblog/access_log.1

-text                  

功能:以字符形式打印一個文件的內容

示例:hadoop  fs  -text  /weblog/access_log.1

-chgrp

-chmod

-chown

功能:linux文件系統中的用法同樣,對文件所屬權限

示例:

hadoop  fs  -chmod  666  /hello.txt

hadoop  fs  -chown  someuser:somegrp   /hello.txt

-copyFromLocal    

功能:從本地文件系統中拷貝文件到hdfs路徑去

示例:hadoop  fs  -copyFromLocal  ./jdk.tar.gz  /aaa/

-copyToLocal      

功能:從hdfs拷貝到本地

示例:hadoop fs -copyToLocal /aaa/jdk.tar.gz

-cp              

功能:從hdfs的一個路徑拷貝hdfs的另外一個路徑

示例: hadoop  fs  -cp  /aaa/jdk.tar.gz  /bbb/jdk.tar.gz.2

 

-mv                     

功能:在hdfs目錄中移動文件

示例: hadoop  fs  -mv  /aaa/jdk.tar.gz  /

-get              

功能:等同於copyToLocal,就是從hdfs下載文件到本地

示例:hadoop fs -get  /aaa/jdk.tar.gz

-getmerge             

功能:合併下載多個文件

示例:好比hdfs的目錄 /aaa/下有多個文件:log.1, log.2,log.3,...

hadoop fs -getmerge /aaa/log.* ./log.sum

-put                

功能:等同於copyFromLocal

示例:hadoop  fs  -put  /aaa/jdk.tar.gz  /bbb/jdk.tar.gz.2

 

-rm                

功能:刪除文件或文件夾

示例:hadoop fs -rm -r /aaa/bbb/

 

-rmdir                 

功能:刪除空目錄

示例:hadoop  fs  -rmdir   /aaa/bbb/ccc

-df               

功能:統計文件系統的可用空間信息

示例:hadoop  fs  -df  -h  /

 

-du

功能:統計文件夾的大小信息

示例:

hadoop  fs  -du  -s  -h /aaa/*

 

-count         

功能:統計一個指定目錄下的文件節點數量

示例:hadoop fs -count /aaa/

 

-setrep                

功能:設置hdfs中文件的副本數量

示例:hadoop fs -setrep 3 /aaa/jdk.tar.gz

 

 

4. hdfs的工做機制

(工做機制的學習主要是爲加深對分佈式系統的理解,以及加強遇到各類問題時的分析解決能力,造成必定的集羣運維能力)

注:不少不是真正理解hadoop技術體系的人會經常以爲HDFS可用於網盤類應用,但實際並不是如此。要想將技術準確用在恰當的地方,必須對技術有深入的理解

4.1 概述

  1. HDFS集羣分爲兩大角色:NameNodeDataNode  (Secondary Namenode)
  2. NameNode負責管理整個文件系統的元數據
  3. DataNode 負責管理用戶的文件數據塊
  4. 文件會按照固定的大小(blocksize)切成若干塊後分布式存儲在若干臺datanode
  5. 每個文件塊能夠有多個副本,並存放在不一樣的datanode
  6. Datanode會按期向Namenode彙報自身所保存的文件block信息,而namenode則會負責保持文件的副本數量
  7. HDFS的內部工做機制對客戶端保持透明,客戶端請求訪問HDFS都是經過向namenode申請來進行

4.2 HDFS寫數據流程

4.2.1 概述

客戶端要向HDFS寫數據,首先要跟namenode通訊以確承認以寫文件並得到接收文件blockdatanode,而後,客戶端按順序將文件逐個block傳遞給相應datanode,並由接收到blockdatanode負責向其餘datanode複製block的副本

4.2.2 詳細步驟圖

 

4.2.3 詳細步驟解析

1、根namenode通訊請求上傳文件,namenode檢查目標文件是否已存在,父目錄是否存在

2namenode返回是否能夠上傳

3client請求第一個 block該傳輸到哪些datanode服務器上

4namenode返回3datanode服務器ABC

5client請求3dn中的一臺A上傳數據(本質上是一個RPC調用,創建pipeline),A收到請求會繼續調用B,而後B調用C,將真個pipeline創建完成,逐級返回客戶端

6client開始往A上傳第一個block(先從磁盤讀取數據放到一個本地內存緩存),以packet爲單位,A收到一個packet就會傳給BB傳給CA每傳一個packet會放入一個應答隊列等待應答

7、當一個block傳輸完成以後,client再次請求namenode上傳第二個block的服務器。

4.3. HDFS讀數據流程

4.3.1 概述

客戶端將要讀取的文件路徑發送給namenodenamenode獲取文件的元信息(主要是block的存放位置信息)返回給客戶端,客戶端根據返回的信息找到相應datanode逐個獲取文件的block並在客戶端本地進行數據追加合併從而得到整個文件

4.3.2 詳細步驟圖

 

 

4.3.3 詳細步驟解析

1、跟namenode通訊查詢元數據,找到文件塊所在的datanode服務器

2、挑選一臺datanode(就近原則,而後隨機)服務器,請求創建socket

3datanode開始發送數據(從磁盤裏面讀取數據放入流,以packet爲單位來作校驗)

4、客戶端以packet爲單位接收,如今本地緩存,而後寫入目標文件

 

5. NAMENODE工做機制

學習目標:理解namenode的工做機制尤爲是元數據管理機制,以加強對HDFS工做原理的理解,及培養hadoop集羣運營中「性能調優」、「namenode」故障問題的分析解決能力

 

問題場景:

1、集羣啓動後,能夠查看文件,可是上傳文件時報錯,打開web頁面可看到namenode正處於safemode狀態,怎麼處理?

2Namenode服務器的磁盤故障致使namenode宕機如何挽救集羣及數據

3Namenode是否能夠有多個namenode內存要配置多大?namenode跟集羣數據存儲能力有關係嗎?

4、文件的blocksize究竟調大好仍是調小好?

……

 

諸如此類問題的回答,都須要基於對namenode自身的工做原理的深入理解

 

5.1 NAMENODE職責

NAMENODE職責:

負責客戶端請求的響應

元數據的管理(查詢,修改)

5.2 元數據管理

namenode對數據的管理採用了三種存儲形式:

內存元數據(NameSystem)

磁盤元數據鏡像文件

數據操做日誌文件(可經過日誌運算出元數據)

5.2.1 元數據存儲機制

A、內存中有一份完整的元數據(內存meta data)

B、磁盤有一個「準完整」的元數據鏡像(fsimage)文件(namenode的工做目錄中)

C、用於銜接內存metadata和持久化元數據鏡像fsimage之間的操做日誌(edits文件注:當客戶端對hdfs中的文件進行新增或者修改操做,操做記錄首先被記入edits日誌文件中,當客戶端操做成功後,相應的元數據會更新到內存meta.data

5.2.2 元數據手動查看

能夠經過hdfs的一個工具來查看edits中的信息

bin/hdfs oev -i edits -o edits.xml

bin/hdfs oiv -i fsimage_0000000000000000087 -p XML -o fsimage.xml

5.2.3 元數據的checkpoint

每隔一段時間,會由secondary namenodenamenode上積累的全部edits和一個最新的fsimage下載到本地,並加載到內存進行merge(這個過程稱爲checkpoint

checkpoint的詳細過程

 

 

checkpoint操做的觸發條件配置參數

 

dfs.namenode.checkpoint.check.period=60  #檢查觸發條件是否知足的頻率,60秒
dfs.namenode.checkpoint.dir=file://${hadoop.tmp.dir}/dfs/namesecondary
#以上兩個參數作checkpoint操做時,secondary namenode的本地工做目錄
dfs.namenode.checkpoint.edits.dir=${dfs.namenode.checkpoint.dir}

dfs.namenode.checkpoint.max-retries=3  #最大重試次數
dfs.namenode.checkpoint.period=3600  #兩次checkpoint之間的時間間隔3600秒
dfs.namenode.checkpoint.txns=1000000 #兩次checkpoint之間最大的操做記錄

 

 

 

namenodesecondary namenode的工做目錄存儲結構徹底相同,因此,當namenode故障退出須要從新恢復時,能夠從secondary namenode的工做目錄中將fsimage拷貝到namenode的工做目錄,以恢復namenode的元數據checkpoint的附帶做用

5.2.4 元數據目錄說明

在第一次部署好Hadoop集羣的時候,咱們須要在NameNodeNN)節點上格式化磁盤:

 

$HADOOP_HOME/bin/hdfs namenode -format

格式化完成以後,將會在$dfs.namenode.name.dir/current目錄下以下的文件結構

 

current/

|-- VERSION

|-- edits_*

|-- fsimage_0000000000008547077

|-- fsimage_0000000000008547077.md5

`-- seen_txid

 

 

 

其中的dfs.name.dir是在hdfs-site.xml文件中配置的,默認值以下:

<property>
  <name>dfs.name.dir</name>
  <value>file://${hadoop.tmp.dir}/dfs/name</value>
</property>

hadoop.tmp.dir是在core-site.xml中配置的,默認值以下
<property>
  <name>hadoop.tmp.dir</name>
  <value>/tmp/hadoop-${user.name}</value>
  <description>A base for other temporary directories.</description>
</property>

 

 

dfs.namenode.name.dir屬性能夠配置多個目錄,

/data1/dfs/name,/data2/dfs/name,/data3/dfs/name,....。各個目錄存儲的文件結構和內容都徹底同樣,至關於備份,這樣作的好處是當其中一個目錄損壞了,也不會影響到Hadoop的元數據,特別是當其中一個目錄是NFS(網絡文件系統Network File SystemNFS)之上,即便你這臺機器損壞了,元數據也獲得保存。
下面對$dfs.namenode.name.dir/current/目錄下的文件進行解釋。
1VERSION文件是Java屬性文件,內容大體以下:

 

#Fri Nov 15 19:47:46 CST 2013
namespaceID=934548976
clusterID=CID-cdff7d73-93cd-4783-9399-0a22e6dce196
cTime=0
storageType=NAME_NODE
blockpoolID=BP-893790215-192.168.24.72-1383809616115
layoutVersion=-47

 

 

 

其中

  (1)、namespaceID是文件系統的惟一標識符,在文件系統首次格式化以後生成的;
  (2)、storageType說明這個文件存儲的是什麼進程的數據結構信息(若是是DataNodestorageType=DATA_NODE);
  (3)、cTime表示NameNode存儲時間的建立時間,因爲個人NameNode沒有更新過,因此這裏的記錄值爲0,之後對NameNode升級以後,cTime將會記錄更新時間戳;
  (4)、layoutVersion表示HDFS永久性數據結構的版本信息, 只要數據結構變動,版本號也要遞減,此時的HDFS也須要升級,不然磁盤仍舊是使用舊版本的數據結構,這會致使新版本的NameNode沒法使用;
  (5)、clusterID是系統生成或手動指定的集羣ID,在-clusterid選項中可使用它;以下說明

 

a、使用以下命令格式化一個Namenode

$HADOOP_HOME/bin/hdfs namenode -format [-clusterId <cluster_id>]

選擇一個惟一的cluster_id,而且這個cluster_id不能與環境中其餘集羣有衝突。若是沒有提供cluster_id,則會自動生成一個惟一的ClusterID

b、使用以下命令格式化其餘Namenode

 $HADOOP_HOME/bin/hdfs namenode -format -clusterId <cluster_id>

c、升級集羣至最新版本。在升級過程當中須要提供一個ClusterID,例如:

$HADOOP_PREFIX_HOME/bin/hdfs start namenode --config $HADOOP_CONF_DIR  -upgrade -clusterId <cluster_ID>

若是沒有提供ClusterID,則會自動生成一個ClusterID

  (6)、blockpoolID:是針對每個Namespace所對應的blockpoolID,上面的這個BP-893790215-192.168.24.72-1383809616115就是在個人ns1namespace下的存儲塊池的ID,這個ID包括了其對應的NameNode節點的ip地址。
  
2$dfs.namenode.name.dir/current/seen_txid很是重要,是存放transactionId的文件,format以後是0,它表明的是namenode裏面的edits_*文件的尾數,namenode重啓的時候,會按照seen_txid的數字,循序從頭跑edits_0000001~seen_txid的數字。因此當你的hdfs發生異常重啓的時候,必定要比對seen_txid內的數字是否是你edits最後的尾數,否則會發生建置namenodemetaData的資料有缺乏,致使誤刪Datanode上多餘Block的資訊。

 

3$dfs.namenode.name.dir/current目錄下在format的同時也會生成fsimageedits文件,及其對應的md5校驗文件。

 

 

補充:seen_txid

文件中記錄的是edits滾動的序號,每次重啓namenode時,namenode就知道要將哪些edits進行加載edits

6. DATANODE的工做機制

問題場景:

1、集羣容量不夠,怎麼擴容?

2、若是有一些datanode宕機,該怎麼辦?

3datanode明明已啓動,可是集羣中的可用datanode列表中就是沒有,怎麼辦?

 

以上這類問題的解答,有賴於對datanode工做機制的深入理解

6.1 概述

1Datanode工做職責:

存儲管理用戶的文件塊數據

按期向namenode彙報自身所持有的block信息(經過心跳信息上報)

(這點很重要,由於,當集羣中發生某些block副本失效時,集羣如何恢復block初始副本數量的問題)

<property>
    <name>dfs.blockreport.intervalMsec</name>
    <value>3600000</value>
    <description>Determines block reporting interval in milliseconds.</description>
</property>

 

2Datanode掉線判斷時限參數

datanode進程死亡或者網絡故障形成datanode沒法與namenode通訊,namenode不會當即把該節點斷定爲死亡,要通過一段時間,這段時間暫稱做超時時長。HDFS默認的超時時長爲10分鐘+30秒。若是定義超時時間爲timeout,則超時時長的計算公式爲:

timeout  = 2 * heartbeat.recheck.interval + 10 * dfs.heartbeat.interval

而默認的heartbeat.recheck.interval 大小爲5分鐘,dfs.heartbeat.interval默認爲3秒。

須要注意的是hdfs-site.xml 配置文件中的heartbeat.recheck.interval的單位爲毫秒,dfs.heartbeat.interval的單位爲秒。因此,舉個例子,若是heartbeat.recheck.interval設置爲5000(毫秒),dfs.heartbeat.interval設置爲3(秒,默認),則總的超時時間爲40秒。

<property>
        <name>heartbeat.recheck.interval</name>
        <value>2000</value>
</property>
<property>
        <name>dfs.heartbeat.interval</name>
        <value>1</value>
</property>

 

6.2 觀察驗證DATANODE功能 

上傳一個文件,觀察文件的block具體的物理存放狀況:

 

在每一臺datanode機器上的這個目錄中能找到文件的切塊:

/home/hadoop/app/hadoop-2.4.1/tmp/dfs/data/current/BP-193442119-192.168.2.120-1432457733977/current/finalized

 

7. HDFSjava操做

hdfs在生產應用中主要是客戶端的開發,其核心步驟是從hdfs提供的api中構造一個HDFS的訪問客戶端對象,而後經過該客戶端對象操做(增刪改查)HDFS上的文件

7.1 搭建開發環境

1、引入依賴

 

<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-client</artifactId>
    <version>2.8.3</version>
</dependency>

 

<!—指定jdk的版本 --> 
<build>
        <plugins>
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-compiler-plugin</artifactId>
                <version>3.1</version>
                <configuration>
                    <source>1.8</source>
                    <target>1.8</target>
                </configuration>
            </plugin>
        </plugins>
    </build>

 

 

 

注:如需手動引入jar包,hdfsjar----hadoop的安裝目錄的share

2window下開發的說明

建議在linux下進行hadoop應用的開發,不會存在兼容性問題。如在window上作客戶端應用開發,須要設置如下環境:

A、windows的某個目錄下解壓一個hadoop的安裝包

B、將安裝包下的libbin目錄用對應windows版本平臺編譯的本地庫替換

C、window系統中配置HADOOP_HOME指向你解壓的安裝包

D、windows系統的path變量中加入hadoopbin目錄

7.2 獲取api中的客戶端對象

java中操做hdfs,首先要得到一個客戶端實例

 

Configuration conf = new Configuration()
FileSystem fs = FileSystem.get(conf)

而咱們的操做目標是HDFS,因此獲取到的fs對象應該是DistributedFileSystem的實例; 

get方法是從何處判斷具體實例化那種客戶端類呢?

——從conf中的一個參數 fs.defaultFS的配置值判斷;

若是咱們的代碼中沒有指定fs.defaultFS,而且工程classpath下也沒有給定相應的配置,conf中的默認值就來自於hadoopjar包中的core-default.xml,默認值爲: file:///,則獲取的將不是一個DistributedFileSystem的實例,而是一個本地文件系統的客戶端對象

 

7.3 DistributedFileSystem實例對象所具有的方法

 

7.4 HDFS客戶端操做數據代碼示例:

7.4.1 文件的增刪改查

  

public class HdfsClient {

    FileSystem fs = null;

    @Before
    public void init() throws Exception {

        // 構造一個配置參數對象,設置一個參數:咱們要訪問的hdfs的URI
        // 從而FileSystem.get()方法就知道應該是去構造一個訪問hdfs文件系統的客戶端,以及hdfs的訪問地址
        // new Configuration();的時候,它就會去加載jar包中的hdfs-default.xml
        // 而後再加載classpath下的hdfs-site.xml
        Configuration conf = new Configuration();
        conf.set("fs.defaultFS", "hdfs://hdp-node01:9000");
        /**
         * 參數優先級: 一、客戶端代碼中設置的值 二、classpath下的用戶自定義配置文件 三、而後是服務器的默認配置
         */
        conf.set("dfs.replication", "3");

        // 獲取一個hdfs的訪問客戶端,根據參數,這個實例應該是DistributedFileSystem的實例
        // fs = FileSystem.get(conf);

        // 若是這樣去獲取,那conf裏面就能夠不要配"fs.defaultFS"參數,並且,這個客戶端的身份標識已是hadoop用戶
        fs = FileSystem.get(new URI("hdfs://hdp-node01:9000"), conf, "hadoop");

    }

    /**
     * 往hdfs上傳文件
     * 
     * @throws Exception
     */
    @Test
    public void testAddFileToHdfs() throws Exception {

        // 要上傳的文件所在的本地路徑
        Path src = new Path("g:/redis-recommend.zip");
        // 要上傳到hdfs的目標路徑
        Path dst = new Path("/aaa");
        fs.copyFromLocalFile(src, dst);
        fs.close();
    }

    /**
     * 從hdfs中複製文件到本地文件系統
     * 
     * @throws IOException
     * @throws IllegalArgumentException
     */
    @Test
    public void testDownloadFileToLocal() throws IllegalArgumentException, IOException {
        fs.copyToLocalFile(new Path("/jdk-7u65-linux-i586.tar.gz"), new Path("d:/"));
        fs.close();
    }

    @Test
    public void testMkdirAndDeleteAndRename() throws IllegalArgumentException, IOException {

        // 建立目錄
        fs.mkdirs(new Path("/a1/b1/c1"));

        // 刪除文件夾 ,若是是非空文件夾,參數2必須給值true
        fs.delete(new Path("/aaa"), true);

        // 重命名文件或文件夾
        fs.rename(new Path("/a1"), new Path("/a2"));

    }

    /**
     * 查看目錄信息,只顯示文件
     * 
     * @throws IOException
     * @throws IllegalArgumentException
     * @throws FileNotFoundException
     */
    @Test
    public void testListFiles() throws FileNotFoundException, IllegalArgumentException, IOException {

        // 思考:爲何返回迭代器,而不是List之類的容器
        RemoteIterator<LocatedFileStatus> listFiles = fs.listFiles(new Path("/"), true);

        while (listFiles.hasNext()) {
            LocatedFileStatus fileStatus = listFiles.next();
            System.out.println(fileStatus.getPath().getName());
            System.out.println(fileStatus.getBlockSize());
            System.out.println(fileStatus.getPermission());
            System.out.println(fileStatus.getLen());
            BlockLocation[] blockLocations = fileStatus.getBlockLocations();
            for (BlockLocation bl : blockLocations) {
                System.out.println("block-length:" + bl.getLength() + "--" + "block-offset:" + bl.getOffset());
                String[] hosts = bl.getHosts();
                for (String host : hosts) {
                    System.out.println(host);
                }
            }
            System.out.println("--------------爲angelababy打印的分割線--------------");
        }
    }

    /**
     * 查看文件及文件夾信息
     * 
     * @throws IOException
     * @throws IllegalArgumentException
     * @throws FileNotFoundException
     */
    @Test
    public void testListAll() throws FileNotFoundException, IllegalArgumentException, IOException {

        FileStatus[] listStatus = fs.listStatus(new Path("/"));

        String flag = "d--             ";
        for (FileStatus fstatus : listStatus) {
            if (fstatus.isFile())  flag = "f--         ";
            System.out.println(flag + fstatus.getPath().getName());
        }
    }
}
View Code

 

7.4.2 經過流的方式訪問hdfs

 

/**
 * 相對那些封裝好的方法而言的更底層一些的操做方式
 * 上層那些mapreduce   spark等運算框架,去hdfs中獲取數據的時候,就是調的這種底層的api
 * @author
 *
 */
public class StreamAccess {
    
    FileSystem fs = null;

    @Before
    public void init() throws Exception {

        Configuration conf = new Configuration();
        fs = FileSystem.get(new URI("hdfs://hdp-node01:9000"), conf, "hadoop");

    }
    
        /**
     * 經過流的方式上傳文件到hdfs
     * @throws Exception
     */
    @Test
    public void testUpload() throws Exception {
        
        FSDataOutputStream outputStream = fs.create(new Path("/angelababy.love"), true);
        FileInputStream inputStream = new FileInputStream("c:/angelababy.love");
        
        IOUtils.copy(inputStream, outputStream);
        
    }
    
    @Test
    public void testDownLoadFileToLocal() throws IllegalArgumentException, IOException{
        
        //先獲取一個文件的輸入流----針對hdfs上的
        FSDataInputStream in = fs.open(new Path("/jdk-7u65-linux-i586.tar.gz"));
        
        //再構造一個文件的輸出流----針對本地的
        FileOutputStream out = new FileOutputStream(new File("c:/jdk.tar.gz"));
        
        //再將輸入流中數據傳輸到輸出流
        IOUtils.copyBytes(in, out, 4096);
        
        
    }
    
    
    /**
     * hdfs支持隨機定位進行文件讀取,並且能夠方便地讀取指定長度
     * 用於上層分佈式運算框架併發處理數據
     * @throws IllegalArgumentException
     * @throws IOException
     */
    @Test
    public void testRandomAccess() throws IllegalArgumentException, IOException{
        //先獲取一個文件的輸入流----針對hdfs上的
        FSDataInputStream in = fs.open(new Path("/iloveyou.txt"));
        
        
        //能夠將流的起始偏移量進行自定義
        in.seek(22);
        
        //再構造一個文件的輸出流----針對本地的
        FileOutputStream out = new FileOutputStream(new File("c:/iloveyou.line.2.txt"));
        
        IOUtils.copyBytes(in,out,19L,true);
        
    }
    
    
    
    /**
     * 顯示hdfs上文件的內容
     * @throws IOException 
     * @throws IllegalArgumentException 
     */
    @Test
    public void testCat() throws IllegalArgumentException, IOException{
        
        FSDataInputStream in = fs.open(new Path("/iloveyou.txt"));
        
        IOUtils.copyBytes(in, System.out, 1024);
    }
}
View Code

 

 

  

7.4.3 場景編程

mapreduce spark等運算框架中,有一個核心思想就是將運算移往數據,或者說,就是要在併發計算中儘量讓運算本地化,這就須要獲取數據所在位置的信息並進行相應範圍讀取

如下模擬實現:獲取一個文件的全部block位置信息,而後讀取指定block中的內容

 

@Test
    public void testCat() throws IllegalArgumentException, IOException{
        
        FSDataInputStream in = fs.open(new Path("/weblog/input/access.log.10"));
        //拿到文件信息
        FileStatus[] listStatus = fs.listStatus(new Path("/weblog/input/access.log.10"));
        //獲取這個文件的全部block的信息
        BlockLocation[] fileBlockLocations = fs.getFileBlockLocations(listStatus[0], 0L, listStatus[0].getLen());
        //第一個block的長度
        long length = fileBlockLocations[0].getLength();
        //第一個block的起始偏移量
        long offset = fileBlockLocations[0].getOffset();
        
        System.out.println(length);
        System.out.println(offset);
        
        //獲取第一個block寫入輸出流
//        IOUtils.copyBytes(in, System.out, (int)length);
        byte[] b = new byte[4096];
        
        FileOutputStream os = new FileOutputStream(new File("d:/block0"));
        while(in.read(offset, b, 0, 4096)!=-1){
            os.write(b);
            offset += 4096;
            if(offset>=length) return;
        };
        os.flush();
        os.close();
        in.close();
    }
View Code
相關文章
相關標籤/搜索