大數據學習之HDFS 簡介原理及基本使用

1.HDFS前言

設計思想

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；

在大數據系統中做用：

爲各種分佈式運算框架（如：mapreduce，spark，tez，……）提供數據存儲服務

重點概念：文件切塊，副本存放，元數據

 

2.HDFS的概念和特性

Hadoop Distributed File System

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

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；

重要特性以下：

（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64M

（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

——namenode是HDFS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（block的id，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

---- datanode是HDFS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. HDFS的shell(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：NameNode、DataNode  (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上
5. 每個文件塊能夠有多個副本，並存放在不一樣的datanode上
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block的datanode，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block的datanode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

2、namenode返回是否能夠上傳

3、client請求第一個 block該傳輸到哪些datanode服務器上

4、namenode返回3個datanode服務器ABC

5、client請求3臺dn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

6、client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B，B傳給C；A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namenode，namenode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流

3、datanode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？

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

3、Namenode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(在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中

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 namenode將namenode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

 

 

 

namenode和secondary 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NameNode（NN）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，

如/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 System，NFS）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。
1、VERSION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DataNode，storageType=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blockpool的ID，上面的這個BP-893790215-192.168.24.72-1383809616115就是在個人ns1的namespace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~到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namenode時metaData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fsimage和edits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？

3、datanode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

1、Datanode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>

 

2、Datanode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. HDFS的java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，hdfs的jar包----hadoop的安裝目錄的share下

2、window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、在windows的某個目錄下解壓一個hadoop的安裝包

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

C、在window系統中配置HADOOP_HOME指向你解壓的安裝包

D、在windows系統的path變量中加入hadoop的bin目錄

7.2 獲取api中的客戶端對象

在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hadoop的jar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

在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