HDFS初探之旅（二）

6、HDFS API详解　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

　　Hadoop中关于文件操作类疾病上全部在“org.apache.hadoop.fs”包中，这些API能够支持的操作包含：打开文件、读写文件、删除文件等。

　　Hadoop类库中最终面向用户提供的接口类是FileSystem，该类是个抽象类，只能通过该类的get方法得当具体的类。get方法存在几个重载版本，常用的是这个：

　　

　　该类几乎封装了所有的文件操作，例如mkdir、delete等。综上基本上可以得出操作文件的程序库框架：

　　　

　　

6.1 上传本地文件

　　通过“FileSystem.copyFromLocalFile(Path src, Path dst)”可将本地文件上传到HDFS的指定位置上，其中src和dst均为文件的完成路径。具体事例如下：

package com.hebut.file;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.FileStatus;

import org.apache.hadoop.fs.FileSystem;

import org.apache.hadoop.fs.Path;

public class CopyFile {

    public static void main(String[] args) throws Exception {

        Configuration conf=new Configuration();

        FileSystem hdfs=FileSystem.get(conf);

       
        //本地文件

        Path src =new Path("D:\HebutWinOS");

        //HDFS为止

        Path dst =new Path("/");


        hdfs.copyFromLocalFile(src, dst);

        System.out.println("Upload to"+conf.get("fs.default.name"));

       
        FileStatus files[]=hdfs.listStatus(dst);

        for(FileStatus file:files){

            System.out.println(file.getPath());

        }

    }

}

　　运行结果可以通过控制台、项目浏览器和SecureCRT查看，如下图所示。

　　1）控制台结果

　　

　　2）项目浏览器

　　

　　3）SecureCRT结果

　　

　　

6.2 创建HDFS文件

　　通过“FileSystem.create(Path f)"可在HDFS上创建文件，其中f为文件的完整路径。具体实现如下：

package com.hebut.file;

 
import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.FSDataOutputStream;

import org.apache.hadoop.fs.FileSystem;

import org.apache.hadoop.fs.Path;


public class CreateFile {

    public static void main(String[] args) throws Exception {

        Configuration conf=new Configuration();

        FileSystem hdfs=FileSystem.get(conf);

        byte[] buff="hello hadoop world!
".getBytes();

        Path dfs=new Path("/test");

        FSDataOutputStream outputStream=hdfs.create(dfs);

        outputStream.write(buff,0,buff.length);
    }

}

　　运行结果，如下图所示。

　　1）项目浏览器

　　

　　2）SecureCRT结果

　　

6.3 创建HDFS目录

　　通过”FileSystem.mkdirs(Path f)“可在HDFS上创建文件夹，其中f为文件夹的完整路径。具体实现如下所示。

package com.hebut.dir;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.FileSystem;

import org.apache.hadoop.fs.Path;

public class CreateDir {

    public static void main(String[] args) throws Exception{

        Configuration conf=new Configuration();

        FileSystem hdfs=FileSystem.get(conf);

        Path dfs=new Path("/TestDir");

        hdfs.mkdirs(dfs);
    }

}

　　运行结果，如下图所示。

　　1）项目浏览器

　　

　　2）SecureCRT结果

　　

6.4 重命名HDFS文件

　　通过”FileSystem.rename(Path src, Path dst)“可为指定的HDFS文件重命名，其中src和dst均为文件的完整路径，具体实现如下所示。

package com.hebut.file;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.FileSystem;

import org.apache.hadoop.fs.Path;

public class Rename{

    public static void main(String[] args) throws Exception {

        Configuration conf=new Configuration();

        FileSystem hdfs=FileSystem.get(conf);

        Path frpaht=new Path("/test");    //旧的文件名

        Path topath=new Path("/test1");    //新的文件名

        boolean isRename=hdfs.rename(frpaht, topath);

        String result=isRename?"成功":"失败";

        System.out.println("文件重命名结果为："+result);
    }
}

　　运行结果，如下图所示。

　　1）项目浏览器

　　

　　2）SecureCRT结果

　　

6.5 删除HDFS上的文件

　　通过”FileSystem.delete(Path f, Boolean recursive)“可删除指定的HDFS文件，其中f为需要删除的完整路径，recuresive用来确定是否进行递归删除。具体实现如下：

package com.hebut.file;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.FileSystem;

import org.apache.hadoop.fs.Path;

public class DeleteFile {

    public static void main(String[] args) throws Exception {

        Configuration conf=new Configuration();

        FileSystem hdfs=FileSystem.get(conf);

        Path delef=new Path("/test1");

        boolean isDeleted=hdfs.delete(delef,false);

        //递归删除

        //boolean isDeleted=hdfs.delete(delef,true);

        System.out.println("Delete?"+isDeleted);
    }
}

　　运行结果，如下图所示。

　　1）控制台结果

　　

　　2）项目浏览器

　　

　　

6.6 删除HDFS上的目录

　　同删除文件代码一样，只是缓存删除目录路径即可，如果目录下有文件，要进行递归删除。

6.7 查看某个HDFS文件是否存在

　　通过”FileSystem.exists(Path f)“可查看指定HDFS文件是否存在，其中f为文件的完整路径。具体事项如下：

package com.hebut.file;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.FileSystem;

import org.apache.hadoop.fs.Path;

public class CheckFile {

    public static void main(String[] args) throws Exception {

        Configuration conf=new Configuration();

        FileSystem hdfs=FileSystem.get(conf);

        Path findf=new Path("/test1");

        boolean isExists=hdfs.exists(findf);

        System.out.println("Exist?"+isExists);

    }
}

　　运行结果，如下图所示。

　　1）控制台结果

　　

　　2）项目浏览器

　　

6.8 查看HDFS文件的最后修改时间

　　通过”FileSystem.getModificationTime()“可查看指定HDFS文件的修改时间。具体实现如下：

package com.hebut.file;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.FileStatus;

import org.apache.hadoop.fs.FileSystem;

import org.apache.hadoop.fs.Path;

public class GetLTime {

    public static void main(String[] args) throws Exception {

        Configuration conf=new Configuration();

        FileSystem hdfs=FileSystem.get(conf);

        Path fpath =new Path("/user/hadoop/test/file1.txt");

        FileStatus fileStatus=hdfs.getFileStatus(fpath);

        long modiTime=fileStatus.getModificationTime();

        System.out.println("file1.txt的修改时间是"+modiTime);
    }
}

　　运行结果，如下图所示。

　　1）控制台结果

　　

　　

6.9 读取HDFS某个目录下的所有文件

　　通过”FileStatus.getPath()“可以查看指定HDFS中某个目录下所有文件。具体实现如下所示。

package com.hebut.file;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.FileStatus;

import org.apache.hadoop.fs.FileSystem;

import org.apache.hadoop.fs.Path;

public class ListAllFile {

    public static void main(String[] args) throws Exception {

        Configuration conf=new Configuration();

        FileSystem hdfs=FileSystem.get(conf);

        Path listf =new Path("/user/hadoop/test");      

        FileStatus stats[]=hdfs.listStatus(listf);

        for(int i = 0; i < stats.length; ++i)
　　　　 {
　　　　　　 System.out.println(stats[i].getPath().toString());
　　　　 }
        hdfs.close();
    }
}

　　运行结果，如下图所示。

　　1）控制台结果

　　

　　2）项目浏览器

　　

6.10 查找某个文件在HDFS集群的位置

　　通过”FileSystem.getFileBlockLocation(FileStatus file, long start, long len)“可查找指定文件在HDFS集群上的位置，其中file为文件的完整路径，start和len来标识查找文件的路径。具体实现如下：

package com.hebut.file;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.BlockLocation;

import org.apache.hadoop.fs.FileStatus;

import org.apache.hadoop.fs.FileSystem;

import org.apache.hadoop.fs.Path;

public class FileLoc {

    public static void main(String[] args) throws Exception {

        Configuration conf=new Configuration();

        FileSystem hdfs=FileSystem.get(conf);

        Path fpath=new Path("/user/hadoop/cygwin");      

        FileStatus filestatus = hdfs.getFileStatus(fpath);

        BlockLocation[] blkLocations = hdfs.getFileBlockLocations(filestatus, 0, filestatus.getLen());

        int blockLen = blkLocations.length;

        for(int i=0;i<blockLen;i++){

            String[] hosts = blkLocations[i].getHosts();

            System.out.println("block_"+i+"_location:"+hosts[0]);

        }
    }

}

　　运行结果，如下图所示。

　　1）控制台结果

　

　　

6.11 获取HDFS集群上所有节点名称信息

　　通过”DatanodeInfo.getHostName()“可获取HDFS集群上的所有节点名称。具体实现如下：

package com.hebut.file;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.FileSystem;

import org.apache.hadoop.hdfs.DistributedFileSystem;

import org.apache.hadoop.hdfs.protocol.DatanodeInfo;

public class GetList {

    public static void main(String[] args) throws Exception {

        Configuration conf=new Configuration();

        FileSystem fs=FileSystem.get(conf);

        DistributedFileSystem hdfs = (DistributedFileSystem)fs;

        DatanodeInfo[] dataNodeStats = hdfs.getDataNodeStats();

        for(int i=0;i<dataNodeStats.length;i++){

            System.out.println("DataNode_"+i+"_Name:"+dataNodeStats[i].getHostName());
        }
    }
}

　　运行结果，如下图所示。

　　1）控制台结果

　　

7、HDFS的读写数据流　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

7.1 文件的读取剖析

　　

　　文件读取的过程如下：

　　1）解释一

• 客户端（client）用FileSystem的open()函数打开文件；
• DistributedFileSystem用RPC调用元数据节点，得到文件的数据块信息；
• 对于每一个数据块，元数据节点返回保存保存数据块的数据节点的地址；
• DistributedFileSystem返回FSDataInputStream给客户端，用来读取数据；
• 客户端调用stream的read()函数开始读取数据；
• DFSInputStream连接保存此文件第一个数据块的最近的数据节点；
• Data从数据节点读到客户端（client）；
• 当此数据块读取完毕后，DFSInputStream关闭和此数据节点的连接，然后连接此文件下一个数据块的最近的数据节点；
• 当客户端读取完毕数据的时候，调用FSDataInputStream的close函数；
• 在读取数据的过程中，如果客户端在与数据点通信出现错误，则尝试连接包含此数据块的下一个数据节点；
• 失败的数据节点将被记录，以后不再连接；　　

　　2）解释二

• 使用HDFS提供的客户端开发库，向远程的NameNode发起RPC请求；
• NameNode会视情况返回文件的部分或全部的block列表，对于每个block，Namenode都会返回有该block拷贝的datanode地址；
• 客户端开发库会选取离客户端最接近的datanode来读取block；
• 读取完当前block数据后，关闭与当前datanode连接，并为读取下一个block寻找最佳的datanode；
• 当读完列表的block后，且文件读取还没有结束，客户端开发库会继续向NameNode获取下一批的block列表；
• 读取完一个block都会进行checksum验证，如果读取datanode时出现错误，客户端会通知Namenode，然后再从下一个拥有该block拷贝的datanode继续读；　　

7.2 文件的写入剖析

　　

　　写入文件的过程比读取较为复杂：

　　1）解释一

• 客户端调用create()来创建文件
• DistributedFileSystem用RPC调用元数据节点，在文件系统的命名空间中创建一个新的文件。
• 元数据节点首先确定文件原来不存在，并且客户端有创建文件的权限，然后创建新文件。
• DistributedFileSystem返回DFSOutputStream，客户端用于写数据。
• 客户端开始写入数据，DFSOutputStream将数据分成块，写入data queue。
• Data queue由Data Streamer读取，并通知元数据节点分配数据节点，用来存储数据块(每块默认复制3块)。分配的数据节点放在一个pipeline里。
• Data Streamer将数据块写入pipeline中的第一个数据节点。第一个数据节点将数据块发送给第二个数据节点。第二个数据节点将数据发送给第三个数据节点。
• DFSOutputStream为发出去的数据块保存了ack queue，等待pipeline中的数据节点告知数据已经写入成功。
• 如果数据节点在写入的过程中失败：
  • 关闭pipeline，将ack queue中的数据块放入data queue的开始。
  • 当前的数据块在已经写入的数据节点中被元数据节点赋予新的标示，则错误节点重启后能够察觉其数据块是过时的，会被删除。
  • 失败的数据节点从pipeline中移除，另外的数据块则写入pipeline中的另外两个数据节点。
  • 元数据节点则被通知此数据块是复制块数不足，将来会再创建第三份备份。
• 当客户端结束写入数据，则调用stream的close函数。此操作将所有的数据块写入pipeline中的数据节点，并等待ack queue返回成功。最后通知元数据节点写入完毕。

　　2）解释二

• 使用HDFS提供的客户端开发库，向远程的Namenode发起RPC请求；
• Namenode会检查要创建的文件是否已经存在，创建者是否有权限进行操作，成功则会为文件创建一个记录，否则会让客户端抛出异常；
• 当客户端开始写入文件的时候，开发库会将文件切分成多个packets，并在内部以"data queue"的形式管理这些packets，并向Namenode申请新的blocks，获取用来存储replicas的合适的datanodes列表，列表的大小根据在Namenode中对replication的设置而定。
• 开始以pipeline（管道）的形式将packet写入所有的replicas中。开发库把packet以流的方式写入第一个datanode，该datanode把该packet存储之后，再将其传递给在此pipeline中的下一个datanode，直到最后一个datanode，这种写数据的方式呈流水线的形式。
• 最后一个datanode成功存储之后会返回一个ack packet，在pipeline里传递至客户端，在客户端的开发库内部维护着"ack queue"，成功收到datanode返回的ack packet后会从"ack queue"移除相应的packet。
• 如果传输过程中，有某个datanode出现了故障，那么当前的pipeline会被关闭，出现故障的datanode会从当前的pipeline中移除，剩余的block会继续剩下的datanode中继续以pipeline的形式传输，同时Namenode会分配一个新的datanode，保持replicas设定的数量。

　　这部分需要实践，先记录下来，等周末实践下。

　　感谢作者，原文链接：http://www.cnblogs.com/xia520pi/archive/2012/05/28/2520813.html