HDFS詳解

 

HDFS詳解大綱

Hadoop HDFS	分佈式文件系統DFS簡介
	HDFS的系統組成介紹
	HDFS的組成部分詳解
	副本存放策略及路由規則
	命令行接口
	Java接口
	客戶端與HDFS的數據流講解

 

目標：

掌握hdfs的shell操做

掌握hdfs的java api操做

理解hdfs的工做原理

******HDFS基本概念篇******

1. HDFS前言

l  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；

l  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

l  重點概念：文件切塊，副本存放，元數據

2. HDFS的概念和特性

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)

******HDFS基本操做篇******

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

-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  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 <這裏設置的副本數只是記錄在namenode的元數據中，是否真的會有這麼多副本，還得看datanode的數量>

 

******HDFS原理篇******

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
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

一、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

二、namenode返回是否能夠上傳

三、client請求第一個 block該傳輸到哪些datanode服務器上

四、namenode返回3個datanode服務器ABC

五、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

六、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

七、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

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

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

三、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）

四、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

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？

　　safemode是namenode的一種狀態（active/standby/safemode安全模式）
　　namenode進入安全模式的原理：
　　　　a、namenode發現集羣中的block丟失率達到必定比例時（0.01%），namenode就會進入安全模式，在安全模式下，客戶端不能對任何數據進行操做，只能查看元數據信息（好比ls/mkdir）
　　　　b、如何退出安全模式？
　　　　找到問題所在，進行修復(好比修復宕機的datanode)或者能夠手動強行退出安全模式（沒有真正解決問題）： hdfs namenode --safemode leave
　　　　c、在hdfs集羣正常冷啓動時，namenode也會在safemode狀態下維持至關長的一段時間，此時你不須要去理會，等待它自動退出安全模式便可
　　　　原理：
　　　　namenode的內存元數據中，包含文件路徑、副本數、blockid，及每個block所在datanode的信息，而fsimage中，不包含block所在的datanode信息，
　　　　那麼，當namenode冷啓動時，此時內存中的元數據只能從fsimage中加載而來，從而就沒有block所在的datanode信息——>就會致使namenode認爲全部的block都已經丟失——>進入安全模式——>datanode啓動後，
　　　　會按期向namenode彙報自身所持有的blockid信息，——>隨着datanode陸續啓動，從而陸續彙報block信息，namenode就會將內存元數據中的block所在datanode信息補全更新——>找到了全部block的位置，從而自動退出安全模式)

 

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

checkpoint的附帶做用

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

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

一、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>

 

二、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

******HDFS應用開發篇******

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

一、引入依賴

<dependency>     <groupId>org.apache.hadoop</groupId>     <artifactId>hadoop-client</artifactId>     <version>2.6.1</version> </dependency>

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

二、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());                    }          } }

 

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");          }                   @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);          } }

 

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();          }

 

8. 案例1：開發shell採集腳本

8.1需求說明

點擊流日誌天天都10T，在業務應用服務器上，須要準實時上傳至數據倉庫（Hadoop HDFS）上

8.2需求分析

通常上傳文件都是在凌晨24點操做，因爲不少種類的業務數據都要在晚上進行傳輸，爲了減輕服務器的壓力，避開高峯期。

若是須要僞實時的上傳，則採用定時上傳的方式

8.3技術分析

          HDFS SHELL:  hadoop fs  –put   xxxx.tar  /data    還可使用 Java Api

                          知足上傳一個文件，不能知足定時、週期性傳入。

          定時調度器：

                   Linux crontab

                   crontab -e

*/5 * * * * $home/bin/command.sh   //五分鐘執行一次

系統會自動執行腳本，每5分鐘一次，執行時判斷文件是否符合上傳規則，符合則上傳

8.4實現流程

8.4.1日誌產生程序

日誌產生程序將日誌生成後，產生一個一個的文件，使用滾動模式建立文件名。

 

日誌生成的邏輯由業務系統決定，好比在log4j配置文件中配置生成規則，如：當xxxx.log 等於10G時，滾動生成新日誌

log4j.logger.msg=info,msg log4j.appender.msg=cn.maoxiangyi.MyRollingFileAppender log4j.appender.msg.layout=org.apache.log4j.PatternLayout log4j.appender.msg.layout.ConversionPattern=%m%n log4j.appender.msg.datePattern='.'yyyy-MM-dd log4j.appender.msg.Threshold=info log4j.appender.msg.append=true log4j.appender.msg.encoding=UTF-8 log4j.appender.msg.MaxBackupIndex=100 log4j.appender.msg.MaxFileSize=10GB log4j.appender.msg.File=/home/hadoop/logs/log/access.log

 

細節：

一、  若是日誌文件後綴是1\2\3等數字，該文件知足需求能夠上傳的話。把該文件移動到準備上傳的工做區間。

二、  工做區間有文件以後，可使用hadoop put命令將文件上傳。

階段問題：

一、  待上傳文件的工做區間的文件，在上傳完成以後，是否須要刪除掉。

8.4.2僞代碼

         使用ls命令讀取指定路徑下的全部文件信息，

         ls  | while read  line

          //判斷line這個文件名稱是否符合規則

if       line=access.log.* (

            將文件移動到待上傳的工做區間

  )

//批量上傳工做區間的文件

hadoop fs  –put   xxx

腳本寫完以後，配置linux定時任務，每5分鐘運行一次。

8.5代碼實現

代碼初版本，實現基本的上傳功能和定時調度功能

代碼第二版本：加強版V2(基本能用，仍是不夠健全)

 

 

8.6效果展現及操做步驟

一、日誌收集文件收集數據，並將數據保存起來，效果以下：

二、上傳程序經過crontab定時調度

 

三、程序運行時產生的臨時文件

 

四、Hadoo hdfs上的效果

9. 案例2：開發JAVA採集程序

9.1 需求

從外部購買數據，數據提供方會實時將數據推送到6臺FTP服務器上，我方部署6臺接口採集機來對接採集數據，並上傳到HDFS中

提供商在FTP上生成數據的規則是以小時爲單位創建文件夾(2016-03-11-10)，每分鐘生成一個文件（00.dat,01.data,02.dat,........）

提供方不提供數據備份，推送到FTP服務器的數據若是丟失，再也不從新提供，且FTP服務器磁盤空間有限，最多存儲最近10小時內的數據

因爲每個文件比較小，只有150M左右，所以，我方在上傳到HDFS過程當中，須要將15分鐘時段的數據合併成一個文件上傳到HDFS

爲了區分數據丟失的責任，我方在下載數據時最好進行校驗

9.2 設計分析