hadoop之HDFS學習筆記（一）

時間 2020-05-20

標籤 hadoop hdfs 學習筆記欄目 Hadoop 简体版

原文原文鏈接

主要內容：hdfs的總體運行機制，DATANODE存儲文件塊的觀察，hdfs集羣的搭建與配置，hdfs命令行客戶端常見命令；業務系統中日誌生成機制，HDFS的java客戶端api基本使用。java

一、什麼是大數據

基本概念

《數據處理》node

在互聯網技術發展到現今階段，大量平常、工做等事務產生的數據都已經信息化，人類產生的數據量相比之前有了爆炸式的增加，之前的傳統的數據處理技術已經沒法勝任，需求催生技術，一套用來處理海量數據的軟件工具應運而生，這就是大數據！linux

處理海量數據的核心技術：web

海量數據存儲：分佈式算法

海量數據運算：分佈式sql

大數據的海量數據的存儲和運算，核心技術就是分佈式。數據庫

這些核心技術的實現是不須要用戶從零開始造輪子的express

存儲和運算，都已經有大量的成熟的框架來用apache

存儲框架：編程

HDFS——分佈式文件存儲系統（HADOOP中的存儲框架）

HBASE——分佈式數據庫系統

KAFKA——分佈式消息緩存系統(實時流式數據處理場景中應用普遍)

文件系統中的數據以非結構化居多，沒有直觀的結構，數據庫中的信息多以表的形式存在，具備結構化，存在規律；

查詢的時候文本文件只能一行一行掃描，而數據庫效率高不少，能夠利用sql查詢語法，數據庫在存和取方便的多。

數據庫和文件系統相比，數據庫至關於在特定的文件系統上的軟件封裝。其實HBASE就是對HDFS的進一層封裝，它的底層文件系統就是HDFS。

分佈式消息緩存系統，既然是分佈式，那就意味着橫跨不少機器，意味着容量能夠很大。和前二者相比它的數據存儲形式是消息（不是表，也不是文件），消息能夠看作有固定格式的一條數據，好比消息頭，消息體等，消息體能夠是json，數據庫的一條記錄，一個序列化對象等。消息最終存放在kafaka內部的特定的文件系統裏。

運算框架：（要解決的核心問題就是幫用戶將處理邏輯在不少機器上並行）

MAPREDUCE—— 離線批處理/HADOOP中的運算框架

SPARK —— 離線批處理/實時流式計算

STORM —— 實時流式計算

離線批處理：數據是靜態的，一次處理一大批數據。

實時流式：數據在源源不斷的生成，邊生成，邊計算

這些運算框架的思想都差很少，特別是mapreduce和spark，簡單來看spark是對mapreduce的進一步封裝；

運算框架和存儲框架之間沒有強耦合關係，spark能夠讀HDFS，HBASE，KAFKA裏的數據，固然須要存儲框架提供訪問接口。

輔助類的工具（解放大數據工程師的一些繁瑣工做）：

HIVE —— 數據倉庫工具：能夠接收sql，翻譯成mapreduce或者spark程序運行

FLUME——數據採集

SQOOP——數據遷移

ELASTIC SEARCH —— 分佈式的搜索引擎

flume用於自動採集數據源機器上的數據到大數據集羣中。

HIVE看起來像一個數據庫，但其實不是，Hive中存了一些須要分析的數據，而後在直接寫sql進行分析，hive接收sql，翻譯成mapreduce或者spark程序運行；

hive本質是mapreduce或spark，咱們只須要寫sql邏輯而不是mapreduce邏輯，Hive自動完成對sql的翻譯，並且仍是在海量數據集上。

.......

換個角度說，大數據是：

一、有海量的數據

二、有對海量數據進行挖掘的需求

三、有對海量數據進行挖掘的軟件工具（hadoop、spark、storm、flink、tez、impala......）

大數據在現實生活中的具體應用

數據處理的最典型應用：公司的產品運營狀況分析

電商推薦系統：基於海量的瀏覽行爲、購物行爲數據，進行大量的算法模型的運算，得出各種推薦結論，以供電商網站頁面來爲用戶進行商品推薦

精準廣告推送系統：基於海量的互聯網用戶的各種數據，統計分析，進行用戶畫像（獲得用戶的各類屬性標籤），而後能夠爲廣告主進行有針對性的精準的廣告投放

二、什麼是hadoop

hadoop中有3個核心組件：

分佈式文件系統：HDFS —— 實現將文件分佈式存儲在不少的服務器上

分佈式運算編程框架：MAPREDUCE —— 實如今不少機器上分佈式並行運算

分佈式資源調度平臺：YARN —— 幫用戶調度大量的mapreduce程序，併合理分配運算資源

三、hdfs總體運行機制

hdfs：分佈式文件系統

hdfs有着文件系統共同的特徵：

二、系統中存放的就是文件

三、系統能夠提供對文件的：建立、刪除、修改、查看、移動等功能

hdfs跟普通的單機文件系統有區別：

一、單機文件系統中存放的文件，是在一臺機器的操做系統中

二、hdfs的文件系統會橫跨N多的機器

三、單機文件系統中存放的文件，是在一臺機器的磁盤上

四、hdfs文件系統中存放的文件，是落在n多機器的本地單機文件系統中（hdfs是一個基於linux本地文件系統之上的文件系統）

hdfs的工做機制：

一、客戶把一個文件存入hdfs，其實hdfs會把這個文件切塊後，分散存儲在N臺linux機器系統中（負責存儲文件塊的角色：data node）<準確來講：切塊的行爲是由客戶端決定的>

二、一旦文件被切塊存儲，那麼，hdfs中就必須有一個機制，來記錄用戶的每個文件的切塊信息，及每一塊的具體存儲機器（負責記錄塊信息的角色是：name node）

三、爲了保證數據的安全性，hdfs能夠將每個文件塊在集羣中存放多個副本（到底存幾個副本，是由當時存入該文件的客戶端指定的）

綜述：一個hdfs系統，由一臺運行了namenode的服務器，和N臺運行了datanode的服務器組成！

四、搭建hdfs分佈式集羣

4.1 hdfs集羣組成結構：

4.2 安裝hdfs集羣的具體步驟：

4.2.一、首先須要準備N臺linux服務器

學習階段，用虛擬機便可！

先準備4臺虛擬機：1個namenode節點 + 3 個datanode 節點

4.2.二、修改各臺機器的主機名和ip地址

主機名：hdp-01 對應的ip地址：192.168.33.11

主機名：hdp-02 對應的ip地址：192.168.33.12

主機名：hdp-03 對應的ip地址：192.168.33.13

主機名：hdp-04 對應的ip地址：192.168.33.14

4.2.三、從windows中用CRT軟件進行遠程鏈接

在windows中將各臺linux機器的主機名配置到的windows的本地域名映射文件中：

c:/windows/system32/drivers/etc/hosts

192.168.33.11 hdp-01

192.168.33.12 hdp-02

192.168.33.13 hdp-03

192.168.33.14 hdp-04

用crt鏈接上後，修改一下crt的顯示配置（字號，編碼集改成UTF-8）：

4.2.三、配置linux服務器的基礎軟件環境

防火牆

關閉防火牆：service iptables stop

關閉防火牆自啓： chkconfig iptables off

安裝jdk：（hadoop體系中的各軟件都是java開發的）

　　1) 利用alt+p 打開sftp窗口，而後將jdk壓縮包拖入sftp窗口

　　2) 而後在linux中將jdk壓縮包解壓到/root/apps 下

　　3) 配置環境變量：JAVA_HOME PATH

　　vi /etc/profile 在文件的最後，加入：

export JAVA_HOME=/root/apps/jdk1.8.0_60 export PATH=$PATH:$JAVA_HOME/bin

　　4) 修改完成後，記得 source /etc/profile使配置生效

　　5) 檢驗：在任意目錄下輸入命令： java -version 看是否成功執行

　　6) 將安裝好的jdk目錄用scp命令拷貝到其餘機器

　　7) 將/etc/profile配置文件也用scp命令拷貝到其餘機器並分別執行source命令

集羣內主機的域名映射配置

在hdp-01上，vi /etc/hosts

127.0.0.1 localhost localhost.localdomain localhost4 localhost4.localdomain4

::1 localhost localhost.localdomain localhost6 localhost6.localdomain6

192.168.33.11 hdp-01

192.168.33.12 hdp-02

192.168.33.13 hdp-03

192.168.33.14 hdp-04

而後，將hosts文件拷貝到集羣中的全部其餘機器上

scp /etc/hosts hdp-02:/etc/

scp /etc/hosts hdp-03:/etc/

scp /etc/hosts hdp-04:/etc/

補

充

提示:

若是在執行scp命令的時候，提示沒有scp命令，則能夠配置一個本地yum源來安裝

一、先在虛擬機中配置cdrom爲一個centos的安裝鏡像iso文件

二、在linux系統中將光驅掛在到文件系統中（某個目錄）

三、mkdir /mnt/cdrom

四、mount -t iso9660 -o loop /dev/cdrom /mnt/cdrom

五、檢驗掛載是否成功： ls /mnt/cdrom

六、三、配置yum的倉庫地址配置文件

七、yum的倉庫地址配置文件目錄： /etc/yum.repos.d

八、先將自帶的倉庫地址配置文件批量改名：

九、而後，拷貝一個出來進行修改

十、修改完配置文件後，再安裝scp命令：

十一、yum install openssh-clients -y

4.2.四、安裝hdfs集羣

一、上傳hadoop安裝包到hdp-01

bin文件爲hadoop功能命令，sbin中爲集羣管理命令。

二、修改配置文件

要

點

提

示

核心配置參數：

1) 指定hadoop的默認文件系統爲：hdfs

2) 指定hdfs的namenode節點爲哪臺機器

3) 指定namenode軟件存儲元數據的本地目錄

4) 指定datanode軟件存放文件塊的本地目錄

hadoop的配置文件在：/root/apps/hadoop安裝目錄/etc/hadoop/

hadoop中的其餘組件如mapreduce，yarn等，這些組將會去讀數據，指定hadoop的默認文件系統爲：hdfs，就是告訴這些組件去hdfs中讀數據；該項配置意味dadoop中的組件能夠訪問各類文件系統。

若不指定數據的存放目錄，hadoop默認將數據存放在/temp下。

能夠參考官網的默認配置信息。

1) 修改hadoop-env.sh

export JAVA_HOME=/root/apps/jdk1.8.0_60

2) 修改core-site.xml

<configuration>

<property>

<name>fs.defaultFS</name>

<value>hdfs://hdp-01:9000/</value>

</property>

</configuration>

<value>hdfs://hdp-01:9000</value>包含兩層意思：

　　一、指定默認的文件系統。

　　二、指明瞭namenode是誰。

value中的值是URI風格

3) 修改hdfs-site.xml

配置namenode和datanode的工做目錄，添加secondary name node。

<configuration>

<property>

<name>dfs.namenode.name.dir</name>

<value>/root/hdpdata/name/</value>

</property>

 

<property>

<name>dfs.datanode.data.dir</name>

<value>/root/hdpdata/data</value>

</property>

 

<property>

<name>dfs.namenode.secondary.http-address</name>

<value>hdp-02:50090</value>

</property>

 

</configuration>

4) 拷貝整個hadoop安裝目錄到其餘機器

　　scp -r /root/apps/hadoop-2.8.1  hdp-02:/root/apps/

　　scp -r /root/apps/hadoop-2.8.1  hdp-03:/root/apps/

　　scp -r /root/apps/hadoop-2.8.1  hdp-04:/root/apps/

5) 啓動HDFS

所謂的啓動HDFS，就是在對的機器上啓動對的軟件

要

點

提示：

要運行hadoop的命令，須要在linux環境中配置HADOOP_HOME和PATH環境變量

vi /etc/profile


export JAVA_HOME=/root/apps/jdk1.8.0_60 export HADOOP_HOME=/root/apps/hadoop-2.8.1 export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

首先，初始化namenode的元數據目錄

要在hdp-01上執行hadoop的一個命令來初始化namenode的元數據存儲目錄

hadoop namenode -format

　　建立一個全新的元數據存儲目錄

　　生成記錄元數據的文件fsimage

　　生成集羣的相關標識：如：集羣id——clusterID

該步驟叫作namenode的初始化也叫格式化，本質是創建namenode運行所須要的目錄以及一些必要的文件，因此該操做通常只在集羣第一次啓動以前執行。

而後，啓動namenode進程（在hdp-01上）

hadoop-daemon.sh start namenode

啓動完後，首先用jps查看一下namenode的進程是否存在

namenode就是一個java軟件，咱們知道啓動一個java軟件須要主類的main方法 java xxx.java - 若干參數，處於方便的考慮，hadoop中提供了一個通用的軟件啓動腳本hadoop-daemon.sh，腳本能夠接受參數，專門用來啓動hadoop中的軟件。

能夠看到namenode在監聽兩個端口，9000用來和客戶端通訊（9000爲RPC端口號，內部進程之間互相通訊的端口，datanode和namenode的通訊），接受hdfs客戶端的請求，50070是web服務端口，也就是說namenode內置一個web服務器，http客戶端能夠經過次端口發送請求。

而後，在windows中用瀏覽器訪問namenode提供的web端口：50070

http://hdp-01:50070

而後，啓動衆datanode們（在任意地方）

hadoop-daemon.sh start datanode

下圖是datanode的一下信息展現，能夠看到datanode內部通訊的端口號是50010，並且datanode也提供了問訪問端口50075.

6) 用自動批量啓動腳原本啓動HDFS

hdfs其實就是一堆java軟件，咱們能夠本身手動hadoop-daemon.sh逐個啓動，也可使用hadoop提供的批量啓動腳本。

1) 先配置hdp-01到集羣中全部機器（包含本身）的免密登錄

2) 配完免密後，能夠執行一次 ssh 0.0.0.0

3) 修改hadoop安裝目錄中/etc/hadoop/slaves（把須要啓動datanode進程的節點列入）

hdp-01

hdp-02

hdp-03

hdp-04

core-site.xml中配置過namenode，可是須要批量啓動那些datanode呢，該文件/etc/hadoop/slaves的配置就是解決這個問題的，該文件就是給啓動腳本看的。

4) 在hdp-01上用腳本：start-dfs.sh 來自動啓動整個集羣

5) 若是要中止，則用腳本：stop-dfs.sh

start-dfs.sh、stop-dfs.sh會啓動、關閉namenode，datanode和secondnamenode

固然你也能夠本身寫腳原本作上述的事情，以下所示。

五、hdfs的客戶端操做

hdfs裝好以後，接下來的工做就是hdfs裏傳東西，去東西，由客戶端來完成。

5.一、客戶端的理解

hdfs的客戶端有多種形式：

一、網頁形式

二、命令行形式

三、客戶端在哪裏運行，沒有約束，只要運行客戶端的機器可以跟hdfs集羣聯網們

　　對於客戶端來說，hdfs是一個總體，網頁版的客戶端主要是用來查看hdfs信息的，能夠建立目錄，可是須要權限

命令行客戶端

bin命令中的 hadoop 和 hdfs 均可以啓動 hdfs 客戶端，hadoop和hdfs都是腳本，都會去啓動一個hdfs的java客戶端。java客戶端在安裝包的jar包中

./hadoop fs -ls /

表示hadoop要訪問hdfs，該腳本就會去啓動hdfs客戶端，客戶端能夠接收參數，好比查看hdfs根目錄。

文件的切塊大小和存儲的副本數量，都是由客戶端決定！

所謂的由客戶端決定，是經過配置參數來定的

hdfs的客戶端會讀如下兩個參數，來決定切塊大小（默認128M）、副本數量（默認3）：

切塊大小的參數： dfs.blocksize

副本數量的參數： dfs.replication

若是使用命令行客戶端時，上面兩個參數應該配置在客戶端機器的hadoop目錄中的hdfs-site.xml中配置，（命令行客戶端本質就是啓動了一個java客戶端，這個客戶端在啓動的時候會將它依賴的全部jar包加入classpath中，客戶端會從jar包中，加載xx-default.xml來得到默認的配置文件，也能夠在hadoop/etc/xxx-site.xml中配置具體的參數來覆蓋默認值。此時的/etc下的配置文件就是客戶自定義的配置文件，也會被java客戶端加載【客戶端能夠運行在任何地方】）；

固然也能夠在具體代碼中指定，見6節中的核心代碼

<property>
<name>dfs.blocksize</name>
<value>64m</value>
</property>

<property>
<name>dfs.replication</name>
<value>2</value>
</property>

5.1.一、上傳過程

下圖爲datanode中的數據，.meta是該block的校驗和信息。咱們能夠經過linux cat命令將兩個塊合併，會發現與原來的文件是同樣的。

5.1.二、下載過程

客戶端首先回去namenode上去查找，有沒有請求的hdfs路徑下的文件，有的話都有該文件被切割成幾塊，每塊有幾個副本，這些副本都存放在集羣中的哪些機器上，而後去存放了第一塊數據的某一臺機器上去下載第一塊數據，將數據追加到本地，而後去下載下一塊數據，繼續追加到本地文件，知道下載完全部的塊。

5.二、hdfs客戶端的經常使用操做命令

一、上傳文件到hdfs中

hadoop fs -put /本地文件 /aaa

二、下載文件到客戶端本地磁盤

hadoop fs -get /hdfs中的路徑 /本地磁盤目錄

三、在hdfs中建立文件夾

hadoop fs -mkdir -p /aaa/xxx

四、移動hdfs中的文件（改名）

hadoop fs -mv /hdfs的路徑1 /hdfs的另外一個路徑2

複製hdfs中的文件到hdfs的另外一個目錄

hadoop fs -cp /hdfs路徑_1 /hdfs路徑_2

五、刪除hdfs中的文件或文件夾

hadoop fs -rm -r /aaa

六、查看hdfs中的文本文件內容

hadoop fs -cat /demo.txt

hadoop fs -tail /demo.txt

hadoop fs -tail -f /demo.txt

hadoop fs -text /demo.txt

七、查看hdfs目錄下有哪些文件

hadoop fs –ls /

八、追加本地文件到hdfs中的文件

hadoop fs -appendToFile 本地路徑 /hdfs路徑

九、權限修改

hadoop fs -chmod username1:usergroup1 /hdfs路徑

要說明的是，hdfs中的用戶和用戶組這是一個名字稱呼，與linux不同，linux中不能將選線分配給一個不存在的用戶。

能夠查看hadoop fs 不帶任何參數，來查看hdfs所支持的命令

Usage: hadoop fs [generic options] [-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] [-l] [-d] <localsrc> ... <dst>] [-copyToLocal [-f] [-p] [-ignoreCrc] [-crc] <src> ... <localdst>] [-count [-q] [-h] [-v] [-t [<storage type>]] [-u] [-x] <path> ...] [-cp [-f] [-p | -p[topax]] [-d] <src> ... <dst>] [-createSnapshot <snapshotDir> [<snapshotName>]] [-deleteSnapshot <snapshotDir> <snapshotName>] [-df [-h] [<path> ...]] [-du [-s] [-h] [-x] <path> ...] [-expunge] [-find <path> ... <expression> ...] [-get [-f] [-p] [-ignoreCrc] [-crc] <src> ... <localdst>] [-getfacl [-R] <path>] [-getfattr [-R] {-n name | -d} [-e en] <path>] [-getmerge [-nl] [-skip-empty-file] <src> <localdst>] [-help [cmd ...]] [-ls [-C] [-d] [-h] [-q] [-R] [-t] [-S] [-r] [-u] [<path> ...]] [-mkdir [-p] <path> ...] [-moveFromLocal <localsrc> ... <dst>] [-moveToLocal <src> <localdst>] [-mv <src> ... <dst>] [-put [-f] [-p] [-l] [-d] <localsrc> ... <dst>] [-renameSnapshot <snapshotDir> <oldName> <newName>] [-rm [-f] [-r|-R] [-skipTrash] [-safely] <src> ...] [-rmdir [--ignore-fail-on-non-empty] <dir> ...] [-setfacl [-R] [{-b|-k} {-m|-x <acl_spec>} <path>]|[--set <acl_spec> <path>]] [-setfattr {-n name [-v value] | -x name} <path>] [-setrep [-R] [-w] <rep> <path> ...] [-stat [format] <path> ...] [-tail [-f] <file>] [-test -[defsz] <path>] [-text [-ignoreCrc] <src> ...] [-touchz <path> ...] [-truncate [-w] <length> <path> ...] [-usage [cmd ...]]

六、hdfs的java客戶端編程

HDFS客戶端編程應用場景：數據採集

業務系統中日誌生成機制

數據採集程序其實就是經過對java客戶端編程，將數據不斷的上傳到hdfs。

在windows開發環境中作一些準備工做：

一、在windows的某個路徑中解壓一份windows版本的hadoop安裝包

二、將解壓出的hadoop目錄配置到windows的環境變量中：HADOOP_HOME

緣由：若不配置環境變量，會在下載hdfs文件是出錯，是因爲使用hadoop的FileSystem保存文件到本地的時候出於效率的考慮，會使用hadoop安裝包中的c語言庫，顯然沒有配置hadoop環境變量時是找不到該c語言類庫中的文件的；然而上傳文件到hdfs沒有相似問題；

6.一、核心代碼

一、將hdfs客戶端開發所需的jar導入工程（jar包可在hadoop安裝包中找到common和hdfs）

二、寫代碼

6.1.一、獲取hdfs客戶端

要點：要對hdfs中的文件進行操做，代碼中首先須要得到一個hdfs的客戶端對象

Configuration conf = new Configuration(); FileSystem fs = FileSystem.get(new URI("hdfs://hdp-01:9000"),conf,"root");

完整代碼以下：

/** * Configuration參數對象的機制： * 構造時，會加載jar包中的默認配置 xx-default.xml（core-default.xmlhdfs-default.xml） * 再加載 用戶配置xx-site.xml ，覆蓋掉默認參數 * 構造完成以後，還能夠conf.set("p","v")，會再次覆蓋用戶配置文件中的參數值 */
        // new Configuration()會從項目的classpath中加載core-default.xml hdfs-default.xml core-site.xml hdfs-site.xml等文件
        Configuration conf = new Configuration(); // 指定本客戶端上傳文件到hdfs時須要保存的副本數爲：2
        conf.set("dfs.replication", "2"); // 指定本客戶端上傳文件到hdfs時切塊的規格大小：64M
        conf.set("dfs.blocksize", "64m"); // 構造一個訪問指定HDFS系統的客戶端對象: 參數1:——HDFS系統的URI，參數2：——客戶端要特別指定的參數，參數3：客戶端的身份（用戶名）
        FileSystem fs = FileSystem.get(new URI("hdfs://hdp-01:9000/"), conf, "root"); // 上傳一個文件到HDFS中
        fs.copyFromLocalFile(new Path("D:/install-pkgs/hbase-1.2.1-bin.tar.gz"), new Path("/aaa/")); fs.close();

View Code

6.1.二、對文件進行操做

上傳、下載文件；文件夾的建立和刪除、文件的移動和複製、查看文件夾和文件等。

三、利用fs對象的方法進行文件操做

方法均與命令行方法對應，好比：

上傳文件

fs.copyFromLocalFile(new Path("本地路徑"),new Path("hdfs的路徑"));

下載文件

fs.copyToLocalFile(new Path("hdfs的路徑"),new Path("本地路徑"))

對文件的增刪改查以下，對文件數據的操做後續介紹。

FileSystem fs = null; @Before public void init() throws Exception{ Configuration conf = new Configuration(); conf.set("dfs.replication", "2"); conf.set("dfs.blocksize", "64m"); fs = FileSystem.get(new URI("hdfs://hdp-01:9000/"), conf, "root"); } /** * 從HDFS中下載文件到客戶端本地磁盤 * @throws IOException * @throws IllegalArgumentException */ @Test public void testGet() throws IllegalArgumentException, IOException{ fs.copyToLocalFile(new Path("/hdp20-05.txt"), new Path("f:/")); fs.close(); } /** * 在hdfs內部移動文件\修更名稱 */ @Test public void testRename() throws Exception{ fs.rename(new Path("/install.log"), new Path("/aaa/in.log")); fs.close(); } /** * 在hdfs中建立文件夾 */ @Test public void testMkdir() throws Exception{ fs.mkdirs(new Path("/xx/yy/zz")); fs.close(); } /** * 在hdfs中刪除文件或文件夾 */ @Test public void testRm() throws Exception{ fs.delete(new Path("/aaa"), true); fs.close(); } /** * 查詢hdfs指定目錄下的文件信息 */ @Test public void testLs() throws Exception{ // 只查詢文件的信息,不返回文件夾的信息
        RemoteIterator<LocatedFileStatus> iter = fs.listFiles(new Path("/"), true); while(iter.hasNext()){ LocatedFileStatus status = iter.next(); System.out.println("文件全路徑："+status.getPath()); System.out.println("塊大小："+status.getBlockSize()); System.out.println("文件長度："+status.getLen()); System.out.println("副本數量："+status.getReplication()); System.out.println("塊信息："+Arrays.toString(status.getBlockLocations())); System.out.println("--------------------------------"); } fs.close(); } /** * 查詢hdfs指定目錄下的文件和文件夾信息 */ @Test public void testLs2() throws Exception{ FileStatus[] listStatus = fs.listStatus(new Path("/")); for(FileStatus status:listStatus){ System.out.println("文件全路徑："+status.getPath()); System.out.println(status.isDirectory()?"這是文件夾":"這是文件"); System.out.println("塊大小："+status.getBlockSize()); System.out.println("文件長度："+status.getLen()); System.out.println("副本數量："+status.getReplication()); System.out.println("--------------------------------"); } fs.close(); }

View Code

6.1.三、對文件數據進行操做

同過客戶端使用open打開流對象來讀取hdfs中文件的具體數據，包括指定偏移量來讀取特定範圍的數據；經過客戶端向hdfs文件追加數據。

/** * 讀取hdfs中的文件的內容 * * @throws IOException * @throws IllegalArgumentException */ @Test public void testReadData() throws IllegalArgumentException, IOException { FSDataInputStream in = fs.open(new Path("/test.txt")); BufferedReader br = new BufferedReader(new InputStreamReader(in, "utf-8")); String line = null; while ((line = br.readLine()) != null) { System.out.println(line); } br.close(); in.close(); fs.close(); } /** * 讀取hdfs中文件的指定偏移量範圍的內容 * * * 做業題：用本例中的知識，實現讀取一個文本文件中的指定BLOCK塊中的全部數據 * * @throws IOException * @throws IllegalArgumentException */ @Test public void testRandomReadData() throws IllegalArgumentException, IOException { FSDataInputStream in = fs.open(new Path("/xx.dat")); // 將讀取的起始位置進行指定
        in.seek(12); // 讀16個字節
        byte[] buf = new byte[16]; in.read(buf); System.out.println(new String(buf)); in.close(); fs.close(); }

View Code

寫數據，create提供了豐富的重載函數，輕鬆實現覆蓋，追加，以及指定緩存大小，副本數量等等信息。

/** * 往hdfs中的文件寫內容 * * @throws IOException * @throws IllegalArgumentException */ @Test public void testWriteData() throws IllegalArgumentException, IOException { FSDataOutputStream out = fs.create(new Path("/zz.jpg"), false); // D:\images\006l0mbogy1fhehjb6ikoj30ku0ku76b.jpg
 FileInputStream in = new FileInputStream("D:/images/006l0mbogy1fhehjb6ikoj30ku0ku76b.jpg"); byte[] buf = new byte[1024]; int read = 0; while ((read = in.read(buf)) != -1) { out.write(buf,0,read); } in.close(); out.close(); fs.close(); }

View Code

七、HDFS實例

hdfs版本wordcount程序。

任務描述:

一、從hdfs文件中讀取數據，每次讀取一行數據；

二、將數據交給具體的單詞統計業務去做業（使用面向接口編程，當業務邏輯改變時，無需修改主程序代碼）；

三、並將該行數據產生的結果存入緩存中（能夠用hashmap模擬）

數據採集設計：

一、流程
啓動一個定時任務：
——定時探測日誌源目錄
——獲取須要採集的文件
——移動這些文件到一個待上傳臨時目錄
——遍歷待上傳目錄中各文件，逐一傳輸到HDFS的目標路徑，同時將傳輸完成的文件移動到備份目錄

啓動一個定時任務：
——探測備份目錄中的備份數據，檢查是否已超出最長備份時長，若是超出，則刪除

二、規劃各類路徑
日誌源路徑： d:/logs/accesslog/
待上傳臨時目錄： d:/logs/toupload/
備份目錄： d:/logs/backup/日期/

HDFS存儲路徑： /logs/日期
HDFS中的文件的前綴：access_log_
HDFS中的文件的後綴：.log

將路徑配置寫入屬性文件

MAPPER_CLASS=cn.edu360.hdfs.wordcount.CaseIgnorWcountMapper INPUT_PATH=/wordcount/input OUTPUT_PATH=/wordcount/output2

View Code

主程序代碼示例：

import java.io.BufferedReader; import java.io.InputStreamReader; import java.net.URI; import java.util.HashMap; import java.util.Map.Entry; import java.util.Properties; import java.util.Set; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.FSDataInputStream; import org.apache.hadoop.fs.FSDataOutputStream; import org.apache.hadoop.fs.FileSystem; import org.apache.hadoop.fs.LocatedFileStatus; import org.apache.hadoop.fs.Path; import org.apache.hadoop.fs.RemoteIterator; public class HdfsWordcount { public static void main(String[] args) throws Exception{ /** * 初始化工做 */ Properties props = new Properties(); props.load(HdfsWordcount.class.getClassLoader().getResourceAsStream("job.properties")); Path input = new Path(props.getProperty("INPUT_PATH")); Path output = new Path(props.getProperty("OUTPUT_PATH")); Class<?> mapper_class = Class.forName(props.getProperty("MAPPER_CLASS")); Mapper mapper = (Mapper) mapper_class.newInstance(); Context context =  new Context(); /** * 處理數據 */ FileSystem fs = FileSystem.get(new URI("hdfs://hdp-01:9000"), new Configuration(), "root"); RemoteIterator<LocatedFileStatus> iter = fs.listFiles(input, false); while(iter.hasNext()){ LocatedFileStatus file = iter.next(); FSDataInputStream in = fs.open(file.getPath()); BufferedReader br = new BufferedReader(new InputStreamReader(in)); String line = null; // 逐行讀取
            while ((line = br.readLine()) != null) { // 調用一個方法對每一行進行業務處理
 mapper.map(line, context); } br.close(); in.close(); } /** * 輸出結果 */ HashMap<Object, Object> contextMap = context.getContextMap(); if(fs.exists(output)){ throw new RuntimeException("指定的輸出目錄已存在，請更換......!"); } FSDataOutputStream out = fs.create(new Path(output,new Path("res.dat"))); Set<Entry<Object, Object>> entrySet = contextMap.entrySet(); for (Entry<Object, Object> entry : entrySet) { out.write((entry.getKey().toString()+"\t"+entry.getValue()+"\n").getBytes()); } out.close(); fs.close(); System.out.println("恭喜！數據統計完成....."); } }

View Code

自定義的業務接口

public interface Mapper { public void map(String line,Context context); }

View Code

業務實現類1

public class WordCountMapper implements Mapper{ @Override public void map(String line, Context context) { String[] words = line.split(" "); for (String word : words) { Object value = context.get(word); if(null==value){ context.write(word, 1); }else{ int v = (int)value; context.write(word, v+1); } } } }

View Code

業務實現類2

public class CaseIgnorWcountMapper implements Mapper { @Override public void map(String line, Context context) { String[] words = line.toUpperCase().split(" "); for (String word : words) { Object value = context.get(word); if (null == value) { context.write(word, 1); } else { int v = (int) value; context.write(word, v + 1); } } } }

View Code

緩存模擬

import java.util.HashMap; public class Context { private HashMap<Object,Object> contextMap = new HashMap<>(); public void write(Object key,Object value){ contextMap.put(key, value); } public Object get(Object key){ return contextMap.get(key); } public HashMap<Object,Object> getContextMap(){ return contextMap; } }

View Code

八、實戰描述

需求描述：

在業務系統的服務器上，業務程序會不斷生成業務日誌（好比網站的頁面訪問日誌）

業務日誌是用log4j生成的，會不斷地切出日誌文件

須要按期（好比每小時）從業務服務器上的日誌目錄中，探測須要採集的日誌文件(access.log，不是直接採集數據)，發往HDFS

注意點：業務服務器可能有多臺(hdfs上的文件名不能直接用日誌服務器上的文件名)

當天採集到的日誌要放在hdfs的當天目錄中

採集完成的日誌文件，須要移動到到日誌服務器的一個備份目錄中

按期檢查（一小時檢查一次）備份目錄，將備份時長超出24小時的日誌文件清除

Timer timer = new Timer() timer.schedual()

簡易版日誌採集主程序

import java.util.Timer; public class DataCollectMain { public static void main(String[] args) { Timer timer = new Timer(); timer.schedule(new CollectTask(), 0, 60*60*1000L); timer.schedule(new BackupCleanTask(), 0, 60*60*1000L); } }

View Code

日誌收集定時任務類

import java.io.File; import java.io.FilenameFilter; import java.net.URI; import java.text.SimpleDateFormat; import java.util.Arrays; import java.util.Date; import java.util.Properties; import java.util.TimerTask; import java.util.UUID; import org.apache.commons.io.FileUtils; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.FileSystem; import org.apache.hadoop.fs.Path; import org.apache.log4j.Logger; public class CollectTask extends TimerTask { @Override public void run() { /** * ——定時探測日誌源目錄 ——獲取須要採集的文件 ——移動這些文件到一個待上傳臨時目錄 * ——遍歷待上傳目錄中各文件，逐一傳輸到HDFS的目標路徑，同時將傳輸完成的文件移動到備份目錄 * */
        try { // 獲取配置參數
            Properties props = PropertyHolderLazy.getProps(); // 構造一個log4j日誌對象
            Logger logger = Logger.getLogger("logRollingFile"); // 獲取本次採集時的日期
            SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd-HH"); String day = sdf.format(new Date()); File srcDir = new File(props.getProperty(Constants.LOG_SOURCE_DIR)); // 列出日誌源目錄中須要採集的文件
            File[] listFiles = srcDir.listFiles(new FilenameFilter() { @Override public boolean accept(File dir, String name) { if (name.startsWith(props.getProperty(Constants.LOG_LEGAL_PREFIX))) { return true; } return false; } }); // 記錄日誌
            logger.info("探測到以下文件須要採集：" + Arrays.toString(listFiles)); // 將要採集的文件移動到待上傳臨時目錄
            File toUploadDir = new File(props.getProperty(Constants.LOG_TOUPLOAD_DIR)); for (File file : listFiles) { FileUtils.moveFileToDirectory(file, toUploadDir, true); } // 記錄日誌
            logger.info("上述文件移動到了待上傳目錄" + toUploadDir.getAbsolutePath()); // 構造一個HDFS的客戶端對象
 FileSystem fs = FileSystem.get(new URI(props.getProperty(Constants.HDFS_URI)), new Configuration(), "root"); File[] toUploadFiles = toUploadDir.listFiles(); // 檢查HDFS中的日期目錄是否存在，若是不存在，則建立
            Path hdfsDestPath = new Path(props.getProperty(Constants.HDFS_DEST_BASE_DIR) + day); if (!fs.exists(hdfsDestPath)) { fs.mkdirs(hdfsDestPath); } // 檢查本地的備份目錄是否存在，若是不存在，則建立
            File backupDir = new File(props.getProperty(Constants.LOG_BACKUP_BASE_DIR) + day + "/"); if (!backupDir.exists()) { backupDir.mkdirs(); } for (File file : toUploadFiles) { // 傳輸文件到HDFS並更名access_log_
                Path destPath = new Path(hdfsDestPath + "/" + UUID.randomUUID() + props.getProperty(Constants.HDFS_FILE_SUFFIX)); fs.copyFromLocalFile(new Path(file.getAbsolutePath()), destPath); // 記錄日誌
                logger.info("文件傳輸到HDFS完成：" + file.getAbsolutePath() + "-->" + destPath); // 將傳輸完成的文件移動到備份目錄
                FileUtils.moveFileToDirectory(file, backupDir, true); // 記錄日誌
                logger.info("文件備份完成：" + file.getAbsolutePath() + "-->" + backupDir); } } catch (Exception e) { e.printStackTrace(); } } }

View Code

按期清理過期備份日誌

import java.io.File; import java.text.SimpleDateFormat; import java.util.Date; import java.util.TimerTask; import org.apache.commons.io.FileUtils; public class BackupCleanTask extends TimerTask { @Override public void run() { SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd-HH"); long now = new Date().getTime(); try { // 探測本地備份目錄
            File backupBaseDir = new File("d:/logs/backup/"); File[] dayBackDir = backupBaseDir.listFiles(); // 判斷備份日期子目錄是否已超24小時
            for (File dir : dayBackDir) { long time = sdf.parse(dir.getName()).getTime(); if(now-time>24*60*60*1000L){ FileUtils.deleteDirectory(dir); } } } catch (Exception e) { e.printStackTrace(); } } }

View Code

配置信息提取到屬性配置文件中，並寫成常量，以單例設計模式去加載配置信息。

LOG_SOURCE_DIR=d:/logs/accesslog/ LOG_TOUPLOAD_DIR=d:/logs/toupload/ LOG_BACKUP_BASE_DIR=d:/logs/backup/ LOG_BACKUP_TIMEOUT=24 LOG_LEGAL_PREFIX=access.log. HDFS_URI=hdfs://hdp-01:9000/
HDFS_DEST_BASE_DIR=/logs/ HDFS_FILE_PREFIX=access_log_ HDFS_FILE_SUFFIX=.log

View Code

public class Constants { /** * 日誌源目錄參數key */
    public static final String LOG_SOURCE_DIR = "LOG_SOURCE_DIR"; /** * 日誌待上傳目錄參數key */
    public static final String LOG_TOUPLOAD_DIR = "LOG_TOUPLOAD_DIR"; public static final String LOG_BACKUP_BASE_DIR = "LOG_BACKUP_BASE_DIR"; public static final String LOG_BACKUP_TIMEOUT = "LOG_BACKUP_TIMEOUT"; public static final String LOG_LEGAL_PREFIX = "LOG_LEGAL_PREFIX"; public static final String HDFS_URI = "HDFS_URI"; public static final String HDFS_DEST_BASE_DIR = "HDFS_DEST_BASE_DIR"; public static final String HDFS_FILE_PREFIX = "HDFS_FILE_PREFIX"; public static final String HDFS_FILE_SUFFIX = "HDFS_FILE_SUFFIX"; }

View Code

import java.util.Properties; /** * 單例模式：懶漢式——考慮了線程安全 * @author ThinkPad * */

public class PropertyHolderLazy { private static Properties prop = null; public static Properties getProps() throws Exception { if (prop == null) { synchronized (PropertyHolderLazy.class) { if (prop == null) { prop = new Properties(); prop.load(PropertyHolderLazy.class.getClassLoader().getResourceAsStream("collect.properties")); } } } return prop; } }

View Code

import java.util.Properties; /** * 單例設計模式，方式一： 餓漢式單例 * @author ThinkPad * */
public class PropertyHolderHungery { private static Properties prop = new Properties(); static { try { prop.load(PropertyHolderHungery.class.getClassLoader().getResourceAsStream("collect.properties")); } catch (Exception e) { } } public static Properties getProps() throws Exception { return prop; } }

View Code

九、總結

hdfs有服務端和客戶端；

服務端：

　　成員：namenode 管理元數據，datanode存儲數據

　　配置：須要指定使用的文件系統（默認的配置在core-default.xml，爲本地文件系統，須要修改服務器core-site.xml修改成hdfs文件系統，並指定namenode），namenode和datanode的工做目錄（服務器的默認配置在hdfs-default.xml中，默認是在/temp下，須要就該hdfs-site.xml來覆蓋默認值。）；

　　細節：第一次啓動集羣時須要格式化namenode

客戶端：

　　形式：網頁端，命令行，java客戶端api；客戶端能夠運行在任何地方。

　　功能：指定上傳文件的信息報括切塊大小（hdfs-default.xml中默認值128m，能夠在hdfs-site.xml中修改，也能夠咋java api 中建立客戶端對象的時候指定，總之由客戶端來指定），副本數量（hdfs-default.xml中默認值3，一樣能夠修改覆蓋）；完成hdfs中文件的系列操做，如上傳，下載

雖然服務端和客戶端的共用配置 core-default.xml core-site.xml；hdfs-default.xml hdfs-site.xml，可是不一樣的程序所須要的參數不一樣，只不過爲了方便，全部參數都寫在一個文件中了。便是在服務器的hdfs-site.xml中配置了切塊大小和副本數量，服務器的namenode和datanode根本不關心也不使用這些參數，只有啓動服務器上的命令行客戶端時，該參數纔可能起做用。

相關標籤/搜索

每日一句

每一个你不满意的现在，都有一个你没有努力的曾经。