hadoop IO操作

1.什么是数据完整性

　　用户希望存储和处理数据的时候，不会有任何损失或者损坏。

　　hadoop提供两种校验：

　　1.校验和（常见循环冗余校验CRC-32)

　　2.运行后台进程来检测数据块

2.基本的基于文件的数据结构

　　在处理小文件的时候，为了避免多次打开关闭流耗费计算资源，hdfs提供了两种类型的容器SequenceFile和MapFile。

　　SequenceFile:

　　　　SequenceFile由一系列的二进制key/value组成，key/value必须是可序列化、可持久化的键值对。

　　　　key为小文件按名，value为文件内容，则可以将大批小文件合并成一个大文件。

　　　　不限制用户和文件的多少，支持Append追加写入，支持三级文档压缩（不压缩，文件级，块级别）。

　　　　不压缩写数据：Write

　　　　记录级压缩写数据：RecordCompressWriter

　　　　块级压缩写数据：BlockCompressWrite

　　　　SequenceFile存储结构：

　　　　　　

　　MapFile:

　　　　MapFile是排序之后的SequenceFile,由index和data两部分组成。index作为文件的数据索引，主要记录了每个Record的key值，以及该　　　Record在文件中的偏移位置。在MapFile被访问的时候,索引文件会被加载到内存，通过索引映射关系可迅速定位到指定Record所在文件　　　位置，因此，相对SequenceFile而言，MapFile的检索效率是高效的，缺点是会消耗一部分内存来存储index数据。另外，MapFile的　　　　　KeyClass一定要实现WritableComparable接口,即Key值是可比较的。需注意的是，MapFile并不会把所有Record都记录到index中去，默　　　认情况下每隔128条记录存储一个索引映射。当然，记录间隔可人为修改。

　　　　

　　　缺点：

　　　1.文件不支持复写操作，不能向已存在SequenceFile(MapFile)追加存储记录

　　　2.当write流不关闭的时候，没有办法构造read流，也就是说，在执行文件写操作的时候，该文件是不可读的。

　　SequenceFile转换为MapFile

　　　　mapFile既然是排序和索引后的SequenceFile,所以可以把SequenceFile转换为MapFile,使用mapFile.fix()方法即可。

3.hadoop序列化的类型：Writable,Comparable,WritableComparable,RawComparator

　　Hadoop定义了两个序列化相关接口：Writable和Comparable

　　　　另外，还有WritableComparable接口，相当于继承了上述两个接口的新接口。

　　　　在hadoop中所有的key/value类型必须实现Writable接口，它有两个方法，分别用于读（反序列化）和写（序列化）；

　　　　在MapReduce过程中需要基于key进行反复的排序，任意key类型，都必须实现Comparable接口。

　　　　WritableComparable继承了Writable和Comparable：所以，一些类型，比如IntWritable实现WritableComparable就可以了

　　　　Hadoop提供的一个优化接口是继承自Comparator的RawComparator：该接口允许其实现直接比较数据流的记录，无须先把数据流反序　　　　列化为对象。

4.FileSystem FSDataInputStream

　　FileSystem 对象

　　取得FileSystem实例有两种静态方法：

　　（1）public static FileSystem get（Configuration conf)      

　　 //Configuration对象封装了一个客户端或服务器的配置，这是用类路径读取而来的

　　//返回默认文件系统（在conf/core-site.xml中设置，如果没有设置过，则是默认的本地文件系统）

　　（2）public static FileSystem get (URI uri,Configuration conf)

　　//参数URI指定URI方案及决定所用文件系统的权限，如果没有指定方案，则退回默认的文件系统

 

　　　FSDataInputStream通过FileSystem来打开，例子如下：

//获取命令行参数
        String uri = args[0];

        Configuration conf = new Configuration();
        conf.set("hadoop.job.ugi", "root,root123");


        //打开一个Hadoop FileSystem ，用FileSystem的静态方法获取之
        FileSystem fs = FileSystem.get(URI.create(uri) ,conf);

        //打开一个InputStream 对象
        FSDataInputStream in = null;
        in =fs.open(new Path (uri));