******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，以便於採取分而治之的方式對海量數據進行運算分析；
l 在大數據系統中作用：
爲各類分佈式運算框架（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，通過統一的命名空間——目錄樹來定位文件
其次，它是分佈式的，由很多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；
重要特性如下：
（1）HDFS中的文件在物理上是分塊存儲（block），塊的大小可以通過配置參數( 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，客戶端通過路徑來訪問文件，形如：hdfs://namenode:port/dir-a/dir-b/dir-c/file.data
（3）目錄結構及文件分塊位置信息(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，以及每一個路徑（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，每一個block都可以在多個datanode上存儲多個副本（副本數量也可以通過參數設置dfs.replication，默認是3）
（5）HDFS是設計成適應一次寫入，多次讀出的場景，且不支持文件的修改
(注：適合用來做數據分析，並不適合用來做網盤應用，因爲，不便修改，延遲大，網絡開銷大，成本太高)
******HDFS基本操作篇******
3. HDFS的shell(命令行客戶端)操作
3.1 HDFS命令行客戶端使用
HDFS提供shell命令行客戶端，
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 常用命令參數介紹
-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，所有的hdfs路徑都可以簡寫 -->hadoop fs -ls / 等同於上一條命令的效果 |
-mkdir 功能：在hdfs上創建目錄 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 可以簡寫爲： 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文件系統中的用法一樣，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 - 功能：合併下載多個文件 示例：比getmerge 如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
|
補充：查看dfs集羣工作狀態的命令
hdfs dfsadmin -report
*
4. hdfs的工作機制
（工作機制的學習主要是爲加深對分佈式系統的理解，以及增強遇到各種問題時的分析解決能力，形成一定的集羣運維能力）
注：很多不是真正理解hadoop技術體系的人會常常覺得HDFS可用於網盤類應用，但實際並非如此。要想將技術準確用在恰當的地方，必須對技術有深刻的理解
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）切成若干塊後分佈式存儲在若干臺datanode上
5. 每一個文件塊可以有多個副本，並存放在不同的datanode上
6. Datanode會定期向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的內部工作機制對客戶端保持透明，客戶端請求訪問HDFS都是通過向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通信以確認可以寫文件並獲得接收文件block的datanode，然後，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負責向其他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通信請求上傳文件，namenode檢查目標文件是否已存在，父目錄是否存在
2、namenode返回是否可以上傳
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，建立pipeline），A收到請求會繼續調用B，然後B調用C，將真個pipeline建立完成，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傳輸完成之後，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獲得整個文件
4.3.2 詳細步驟圖
4.3.3 詳細步驟解析
1、跟namenode通信查詢元數據，找到文件塊所在的datanode服務器
2、挑選一臺datanode（就近原則，然後隨機）服務器，請求建立socket流
3、datanode開始發送數據（從磁盤裏面讀取數據放入流，以packet爲單位來做校驗）
4、客戶端以packet爲單位接收，現在本地緩存，然後寫入目標文件
5. NAMENODE工作機制
學習目標：理解namenode的工作機制尤其是元數據管理機制，以增強對HDFS工作原理的理解，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，可以查看目錄，但是上傳文件時報錯，打開web頁面可看到namenode正處於safemode狀態，怎麼處理？
解釋：
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丟失率達到一定比例時（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作，只能查看元數據信息（比如ls/mkdir）
b、如何退出安全模式？
找到問題所在，進行修復（比如修復宕機的datanode）
或者可以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狀態下維持相當長的一段時間，此時你不需要去理會，等待它自動退出安全模式即可
(原理：
namenode的內存元數據中，包含文件路徑、副本數、blockid，及每一個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——>就會導致namenode認爲所有的block都已經丟失——>進入安全模式——>datanode啓動後，會定期向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——>找到了所有block的位置，從而自動退出安全模式)
2、Namenode服務器的磁盤故障導致namenode宕機，如何挽救集羣及數據？
3、Namenode是否可以有多個？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究竟調大好還是調小好？--結合mapreduce
……
諸如此類問題的回答，都需要基於對namenode自身的工作原理的深刻理解
5.1 NAMENODE職責
NAMENODE職責：
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
數據操作日誌文件（可通過日誌運算出元數據）
5.2.1 元數據存儲機制
B、磁盤有一個“準完整”的元數據鏡像（fsimage）文件(在namenode的工作目錄中)
C、用於銜接內存metadata和持久化元數據鏡像fsimage之間的操作日誌（edits文件）注：當客戶端對hdfs中的文件進行新增或者修改操作，操作記錄首先被記入edits日誌文件中，當客戶端操作成功後，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
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上積累的所有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操作的觸發條件配置參數
dfs.namenode.checkpoint.check.period=60 #檢查觸發條件是否滿足的頻率，60秒 dfs.namenode.checkpoint.dir=file://${hadoop.tmp.dir}/dfs/namesecondary #以上兩個參數做checkpoint操作時，secondary namenode的本地工作目錄 dfs.namenode.checkpoint.edits.dir=${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之間最大的操作記錄 |
checkpoint的附帶作用
namenode和secondary namenode的工作目錄存儲結構完全相同，所以，當namenode故障退出需要重新恢復時，可以從secondary namenode的工作目錄中將fsimage拷貝到namenode的工作目錄，以恢復namenode的元數據
5.2.4 元數據目錄說明
在第一次部署好Hadoop集羣的時候，我們需要在NameNode（NN）節點上格式化磁盤：
$HADOOP_HOME/bin/hdfs namenode -format |
格式化完成之後，將會在$dfs.namenode.name.dir/current目錄下如下的文件結構
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，默認值如下：
<property> <name>dfs.name.dir</name> <value>file://${hadoop.tmp.dir}/dfs/name</value> </property>
hadoop.tmp.dir是在core-site.xml中配置的，默認值如下 <property> <name>hadoop.tmp.dir</name> <value>/tmp/hadoop-${user.name}</value> <description>A base for other temporary directories.</description> </property> |
dfs.namenode.name.dir屬性可以配置多個目錄，
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完全一樣，相當於備份，這樣做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，即使你這臺機器損壞了，元數據也得到保存。
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，內容大致如下：
#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是文件系統的唯一標識符，在文件系統首次格式化之後生成的；
（2）、storageType說明這個文件存儲的是什麼進程的數據結構信息（如果是DataNode，storageType=DATA_NODE）；
（3）、cTime表示NameNode存儲時間的創建時間，由於我的NameNode沒有更新過，所以這裏的記錄值爲0，以後對NameNode升級之後，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， 只要數據結構變更，版本號也要遞減，此時的HDFS也需要升級，否則磁盤仍舊是使用舊版本的數據結構，這會導致新版本的NameNode無法使用；
（5）、clusterID是系統生成或手動指定的集羣ID，在-clusterid選項中可以使用它；如下說明
a、使用如下命令格式化一個Namenode：
$HADOOP_HOME/bin/hdfs namenode -format [-clusterId <cluster_id>]
選擇一個唯一的cluster_id，並且這個cluster_id不能與環境中其他集羣有衝突。如果沒有提供cluster_id，則會自動生成一個唯一的ClusterID。
b、使用如下命令格式化其他Namenode：
$HADOOP_HOME/bin/hdfs namenode -format -clusterId <cluster_id>
c、升級集羣至最新版本。在升級過程中需要提供一個ClusterID，例如：
$HADOOP_PREFIX_HOME/bin/hdfs start namenode --config $HADOOP_CONF_DIR -upgrade -clusterId <cluster_ID>
如果沒有提供ClusterID，則會自動生成一個ClusterID。
（6）、blockpoolID：是針對每一個Namespace所對應的blockpool的ID，上面的這個BP-893790215-192.168.24.72-1383809616115就是在我的ns1的namespace下的存儲塊池的ID，這個ID包括了其對應的NameNode節點的ip地址。
2、$dfs.namenode.name.dir/current/seen_txid非常重要，是存放transactionId的文件，format之後是0，它代表的是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。所以當你的hdfs發生異常重啓的時候，一定要比對seen_txid內的數字是不是你edits最後的尾數，不然會發生建置namenode時metaData的資料有缺少，導致誤刪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的工作機制
問題場景：
1、集羣容量不夠，怎麼擴容？
2、如果有一些datanode宕機，該怎麼辦？
3、datanode明明已啓動，但是集羣中的可用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工作機制的深刻理解
6.1 概述
1、Datanode工作職責：
存儲管理用戶的文件塊數據
定期向namenode彙報自身所持有的block信息（通過心跳信息上報）
（這點很重要，因爲，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造成datanode無法與namenode通信，namenode不會立即把該節點判定爲死亡，要經過一段時間，這段時間暫稱作超時時長。HDFS默認的超時時長爲10分鐘+30秒。如果定義超時時間爲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。
需要注意的是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。所以，舉個例子，如果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具體的物理存放情況：
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操作
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，然後通過該客戶端對象操作（增刪改查）HDFS上的文件
7.1 搭建開發環境
1、引入依賴
|
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上做客戶端應用開發，需要設置以下環境：
A、用老師給的windows平臺下編譯的hadoop安裝包解壓一份到windows的任意一個目錄下
B、在window系統中配置HADOOP_HOME指向你解壓的安裝包目錄
C、在windows系統的path變量中加入HADOOP_HOME的bin目錄
7.2 獲取api中的客戶端對象
在java中操作hdfs，首先要獲得一個客戶端實例
Configuration conf = new Configuration() FileSystem fs = FileSystem.get(conf) |
而我們的操作目標是HDFS，所以獲取到的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；
如果我們的代碼中沒有指定fs.defaultFS，並且工程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實例對象所具備的方法
7.4 HDFS客戶端操作數據代碼示例：
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：我們要訪問的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 // 然後再加載classpath下的hdfs-site.xml Configuration conf = new Configuration(); conf.set("fs.defaultFS", "hdfs://hdp-node01:9000"); /** * 參數優先級： 1、客戶端代碼中設置的值 2、classpath下的用戶自定義配置文件 3、然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);
// 如果這樣去獲取，那conf裏面就可以不要配"fs.defaultFS"參數，而且，這個客戶端的身份標識已經是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 {
// 創建目錄 fs.mkdirs(new Path("/a1/b1/c1"));
// 刪除文件夾 ，如果是非空文件夾，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：爲什麼返回迭代器，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 通過流的方式訪問hdfs
/** * 相對那些封裝好的方法而言的更底層一些的操作方式 * 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");
} /** * 通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，而且可以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")); //可以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可能讓運算本地化，這就需要獲取數據所在位置的信息並進行相應範圍讀取
以下模擬實現：獲取一個文件的所有block位置信息，然後讀取指定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")); //獲取這個文件的所有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(); } |