zoukankan      html  css  js  c++  java
  • 大数据学习之HDFS 简介原理及基本使用

    1.HDFS前言

    设计思想

    分而治之:将大文件、大批量文件,分布式存放在大量服务器上,以便于采取分而治之的方式对海量数据进行运算分析;

    在大数据系统中作用:

    为各类分布式运算框架(如:mapreducesparktez……)提供数据存储服务

    重点概念:文件切块,副本存放,元数据

     

    2.HDFS的概念和特性

    Hadoop Distributed File System

    首先,它是一个文件系统,用于存储文件,通过统一的命名空间——目录树来定位文件

    其次,它是分布式的,由很多服务器联合起来实现其功能,集群中的服务器有各自的角色;

    重要特性如下:

    (1)HDFS中的文件在物理上是分块存储(block,块的大小可以通过配置参数( dfs.blocksize)来规定,默认大小在hadoop2.x版本中是128M,老版本中是64M

    (2)HDFS文件系统会给客户端提供一个统一的抽象目录树,客户端通过路径来访问文件,形如:hdfs://namenode:port/dir-a/dir-b/dir-c/file.data

    (3)目录结构及文件分块信息(元数据)的管理由namenode节点承担

    ——namenodeHDFS集群主节点,负责维护整个hdfs文件系统的目录树,以及每一个路径(文件)所对应的block块信息(blockid,及所在的datanode服务器)

    (4)文件的各个block的存储管理由datanode节点承担

    ---- datanodeHDFS集群从节点,每一个block都可以在多个datanode上存储多个副本(副本数量也可以通过参数设置dfs.replication

    (5)HDFS是设计成适应一次写入,多次读出的场景,且不支持文件的修改

    (注:适合用来做数据分析,并不适合用来做网盘应用,因为,不便修改,延迟大,网络开销大,成本太高)

    3. HDFSshell(命令行客户端)操作

    3.1 HDFS命令行客户端使用

    HDFS提供shell命令行客户端,使用方法如下:

    3.2 命令行客户端支持的命令参数

            [-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 常用命令参数介绍

    Shell客户端启动    Hadoop fs                 hdfs dfs

    -help             

    功能:输出这个命令参数手册

    -ls                  

    功能:显示目录信息

    示例: hadoop fs -ls hdfs://hadoop-server01:9000/

    备注:这些参数中,所有的hdfs路径都可以简写

    -->hadoop fs -ls /   等同于上一条命令的效果

    -mkdir              

    功能:在hdfs上创建目录

    示例:hadoop fs  -mkdir  -p  /aaa/bbb/cc/dd

    -moveFromLocal            

    功能:从本地剪切粘贴到hdfs

    示例:hadoop  fs  - moveFromLocal  /home/hadoop/a.txt  /aaa/bbb/cc/dd

    -moveToLocal              

    功能:从hdfs剪切粘贴到本地

    示例:hadoop  fs  - moveToLocal   /aaa/bbb/cc/dd  /home/hadoop/a.txt

    --appendToFile  

    //存活的节点数大于等于副本数量(3

    功能:追加一个文件到已经存在的文件末尾

    示例:hadoop  fs  -appendToFile  ./hello.txt  hdfs://hadoop-server01:9000/hello.txt

    可以简写为:

    Hadoop  fs  -appendToFile  ./hello.txt  /hello.txt

    -cat  

    功能:显示文件内容  

    示例:hadoop fs -cat  /hello.txt

    -tail                 

    功能:显示一个文件的末尾

    示例:hadoop  fs  -tail  /weblog/access_log.1

    -text                  

    功能:以字符形式打印一个文件的内容

    示例:hadoop  fs  -text  /weblog/access_log.1

    -chgrp

    -chmod

    -chown

    功能:linux文件系统中的用法一样,对文件所属权限

    示例:

    hadoop  fs  -chmod  666  /hello.txt

    hadoop  fs  -chown  someuser:somegrp   /hello.txt

    -copyFromLocal    

    功能:从本地文件系统中拷贝文件到hdfs路径去

    示例:hadoop  fs  -copyFromLocal  ./jdk.tar.gz  /aaa/

    -copyToLocal      

    功能:从hdfs拷贝到本地

    示例:hadoop fs -copyToLocal /aaa/jdk.tar.gz

    -cp              

    功能:从hdfs的一个路径拷贝hdfs的另一个路径

    示例: hadoop  fs  -cp  /aaa/jdk.tar.gz  /bbb/jdk.tar.gz.2

    -mv                     

    功能:在hdfs目录中移动文件

    示例: hadoop  fs  -mv  /aaa/jdk.tar.gz  /

    -get              

    功能:等同于copyToLocal,就是从hdfs下载文件到本地

    示例:hadoop fs -get  /aaa/jdk.tar.gz

    -getmerge             

    功能:合并下载多个文件

    示例:比如hdfs的目录 /aaa/下有多个文件:log.1, log.2,log.3,...

    hadoop fs -getmerge /aaa/log.* ./log.sum

    -put                

    功能:等同于copyFromLocal

    示例:hadoop  fs  -put  /aaa/jdk.tar.gz  /bbb/jdk.tar.gz.2

    -rm                

    功能:删除文件或文件夹

    示例:hadoop fs -rm -r /aaa/bbb/

    -rmdir                 

    功能:删除空目录

    示例:hadoop  fs  -rmdir   /aaa/bbb/ccc

    -df               

    功能:统计文件系统的可用空间信息

    示例:hadoop  fs  -df  -h  /

    -du

    功能:统计文件夹的大小信息

    示例:

    hadoop  fs  -du  -s  -h /aaa/*

    -count         

    功能:统计一个指定目录下的文件节点数量

    示例:hadoop fs -count /aaa/

    -setrep                

    功能:设置hdfs中文件的副本数量

    示例:hadoop fs -setrep 3 /aaa/jdk.tar.gz

    4. hdfs的工作机制

    (工作机制的学习主要是为加深对分布式系统的理解,以及增强遇到各种问题时的分析解决能力,形成一定的集群运维能力)

    注:很多不是真正理解hadoop技术体系的人会常常觉得HDFS可用于网盘类应用,但实际并非如此。要想将技术准确用在恰当的地方,必须对技术有深刻的理解

    4.1 概述

    1. HDFS集群分为两大角色:NameNodeDataNode  (Secondary Namenode)
    2. NameNode负责管理整个文件系统的元数据
    3. DataNode 负责管理用户的文件数据块
    4. 文件会按照固定的大小(blocksize)切成若干块后分布式存储在若干台datanode
    5. 每一个文件块可以有多个副本,并存放在不同的datanode
    6. Datanode会定期向Namenode汇报自身所保存的文件block信息,而namenode则会负责保持文件的副本数量
    7. HDFS的内部工作机制对客户端保持透明,客户端请求访问HDFS都是通过向namenode申请来进行

    4.2 HDFS写数据流程

    4.2.1 概述

    客户端要向HDFS写数据,首先要跟namenode通信以确认可以写文件并获得接收文件blockdatanode,然后,客户端按顺序将文件逐个block传递给相应datanode,并由接收到blockdatanode负责向其他datanode复制block的副本

    4.2.2 详细步骤图

     

    4.2.3 详细步骤解析

    1、根namenode通信请求上传文件,namenode检查目标文件是否已存在,父目录是否存在

    2namenode返回是否可以上传

    3client请求第一个 block该传输到哪些datanode服务器上

    4namenode返回3datanode服务器ABC

    5client请求3dn中的一台A上传数据(本质上是一个RPC调用,建立pipeline),A收到请求会继续调用B,然后B调用C,将真个pipeline建立完成,逐级返回客户端

    6client开始往A上传第一个block(先从磁盘读取数据放到一个本地内存缓存),以packet为单位,A收到一个packet就会传给BB传给CA每传一个packet会放入一个应答队列等待应答

    7、当一个block传输完成之后,client再次请求namenode上传第二个block的服务器。

    4.3. HDFS读数据流程

    4.3.1 概述

    客户端将要读取的文件路径发送给namenodenamenode获取文件的元信息(主要是block的存放位置信息)返回给客户端,客户端根据返回的信息找到相应datanode逐个获取文件的block并在客户端本地进行数据追加合并从而获得整个文件

    4.3.2 详细步骤图

     

    4.3.3 详细步骤解析

    1、跟namenode通信查询元数据,找到文件块所在的datanode服务器

    2、挑选一台datanode(就近原则,然后随机)服务器,请求建立socket

    3datanode开始发送数据(从磁盘里面读取数据放入流,以packet为单位来做校验)

    4、客户端以packet为单位接收,现在本地缓存,然后写入目标文件

    5. NAMENODE工作机制

    学习目标:理解namenode的工作机制尤其是元数据管理机制,以增强对HDFS工作原理的理解,及培养hadoop集群运营中“性能调优”、“namenode”故障问题的分析解决能力

     

    问题场景:

    1、集群启动后,可以查看文件,但是上传文件时报错,打开web页面可看到namenode正处于safemode状态,怎么处理?

    2Namenode服务器的磁盘故障导致namenode宕机如何挽救集群及数据

    3Namenode是否可以有多个namenode内存要配置多大?namenode跟集群数据存储能力有关系吗?

    4、文件的blocksize究竟调大好还是调小好?

    ……

     

    诸如此类问题的回答,都需要基于对namenode自身的工作原理的深刻理解

     

    5.1 NAMENODE职责

    NAMENODE职责:

    负责客户端请求的响应

    元数据的管理(查询,修改)

    5.2 元数据管理

    namenode对数据的管理采用了三种存储形式:

    内存元数据(NameSystem)

    磁盘元数据镜像文件

    数据操作日志文件(可通过日志运算出元数据)

    5.2.1 元数据存储机制

    A、内存中有一份完整的元数据(内存meta data)

    B、磁盘有一个“准完整”的元数据镜像(fsimage)文件(namenode的工作目录中)

    C、用于衔接内存metadata和持久化元数据镜像fsimage之间的操作日志(edits文件注:当客户端对hdfs中的文件进行新增或者修改操作,操作记录首先被记入edits日志文件中,当客户端操作成功后,相应的元数据会更新到内存meta.data

    5.2.2 元数据手动查看

    可以通过hdfs的一个工具来查看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 元数据的checkpoint

    每隔一段时间,会由secondary namenodenamenode上积累的所有edits和一个最新的fsimage下载到本地,并加载到内存进行merge(这个过程称为checkpoint

    checkpoint的详细过程

     

    checkpoint操作的触发条件配置参数

    dfs.namenode.checkpoint.check.period=60  #检查触发条件是否满足的频率,60秒
    dfs.namenode.checkpoint.dir=file://${hadoop.tmp.dir}/dfs/namesecondary
    #以上两个参数做checkpoint操作时,secondary namenode的本地工作目录
    dfs.namenode.checkpoint.edits.dir=${dfs.namenode.checkpoint.dir}
    
    dfs.namenode.checkpoint.max-retries=3  #最大重试次数
    dfs.namenode.checkpoint.period=3600  #两次checkpoint之间的时间间隔3600秒
    dfs.namenode.checkpoint.txns=1000000 #两次checkpoint之间最大的操作记录

    namenodesecondary namenode的工作目录存储结构完全相同,所以,当namenode故障退出需要重新恢复时,可以从secondary namenode的工作目录中将fsimage拷贝到namenode的工作目录,以恢复namenode的元数据checkpoint的附带作用

    5.2.4 元数据目录说明

    在第一次部署好Hadoop集群的时候,我们需要在NameNodeNN)节点上格式化磁盘:

    $HADOOP_HOME/bin/hdfs namenode -format

    格式化完成之后,将会在$dfs.namenode.name.dir/current目录下如下的文件结构

    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,默认值如下:

    <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,默认值如下
    <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属性可以配置多个目录,

    /data1/dfs/name,/data2/dfs/name,/data3/dfs/name,....。各个目录存储的文件结构和内容都完全一样,相当于备份,这样做的好处是当其中一个目录损坏了,也不会影响到Hadoop的元数据,特别是当其中一个目录是NFS(网络文件系统Network File SystemNFS)之上,即使你这台机器损坏了,元数据也得到保存。
    下面对$dfs.namenode.name.dir/current/目录下的文件进行解释。
    1VERSION文件是Java属性文件,内容大致如下:

    #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是文件系统的唯一标识符,在文件系统首次格式化之后生成的;
      (2)、storageType说明这个文件存储的是什么进程的数据结构信息(如果是DataNodestorageType=DATA_NODE);
      (3)、cTime表示NameNode存储时间的创建时间,由于我的NameNode没有更新过,所以这里的记录值为0,以后对NameNode升级之后,cTime将会记录更新时间戳;
      (4)、layoutVersion表示HDFS永久性数据结构的版本信息, 只要数据结构变更,版本号也要递减,此时的HDFS也需要升级,否则磁盘仍旧是使用旧版本的数据结构,这会导致新版本的NameNode无法使用;
      (5)、clusterID是系统生成或手动指定的集群ID,在-clusterid选项中可以使用它;如下说明

    a、使用如下命令格式化一个Namenode

    $HADOOP_HOME/bin/hdfs namenode -format [-clusterId <cluster_id>]

    选择一个唯一的cluster_id,并且这个cluster_id不能与环境中其他集群有冲突。如果没有提供cluster_id,则会自动生成一个唯一的ClusterID

    b、使用如下命令格式化其他Namenode

     $HADOOP_HOME/bin/hdfs namenode -format -clusterId <cluster_id>

    c、升级集群至最新版本。在升级过程中需要提供一个ClusterID,例如:

    $HADOOP_PREFIX_HOME/bin/hdfs start namenode --config $HADOOP_CONF_DIR  -upgrade -clusterId <cluster_ID>

    如果没有提供ClusterID,则会自动生成一个ClusterID

      (6)、blockpoolID:是针对每一个Namespace所对应的blockpoolID,上面的这个BP-893790215-192.168.24.72-1383809616115就是在我的ns1namespace下的存储块池的ID,这个ID包括了其对应的NameNode节点的ip地址。
      
    2$dfs.namenode.name.dir/current/seen_txid非常重要,是存放transactionId的文件,format之后是0,它代表的是namenode里面的edits_*文件的尾数,namenode重启的时候,会按照seen_txid的数字,循序从头跑edits_0000001~seen_txid的数字。所以当你的hdfs发生异常重启的时候,一定要比对seen_txid内的数字是不是你edits最后的尾数,不然会发生建置namenodemetaData的资料有缺少,导致误删Datanode上多余Block的资讯。

    3$dfs.namenode.name.dir/current目录下在format的同时也会生成fsimageedits文件,及其对应的md5校验文件。

    补充:seen_txid

    文件中记录的是edits滚动的序号,每次重启namenode时,namenode就知道要将哪些edits进行加载edits

    6. DATANODE的工作机制

    问题场景:

    1、集群容量不够,怎么扩容?

    2、如果有一些datanode宕机,该怎么办?

    3datanode明明已启动,但是集群中的可用datanode列表中就是没有,怎么办?

     

    以上这类问题的解答,有赖于对datanode工作机制的深刻理解

    6.1 概述

    1Datanode工作职责:

    存储管理用户的文件块数据

    定期向namenode汇报自身所持有的block信息(通过心跳信息上报)

    (这点很重要,因为,当集群中发生某些block副本失效时,集群如何恢复block初始副本数量的问题)

    <property>
        <name>dfs.blockreport.intervalMsec</name>
        <value>3600000</value>
        <description>Determines block reporting interval in milliseconds.</description>
    </property>

    2Datanode掉线判断时限参数

    datanode进程死亡或者网络故障造成datanode无法与namenode通信,namenode不会立即把该节点判定为死亡,要经过一段时间,这段时间暂称作超时时长。HDFS默认的超时时长为10分钟+30秒。如果定义超时时间为timeout,则超时时长的计算公式为:

    timeout  = 2 * heartbeat.recheck.interval + 10 * dfs.heartbeat.interval

    而默认的heartbeat.recheck.interval 大小为5分钟,dfs.heartbeat.interval默认为3秒。

    需要注意的是hdfs-site.xml 配置文件中的heartbeat.recheck.interval的单位为毫秒,dfs.heartbeat.interval的单位为秒。所以,举个例子,如果heartbeat.recheck.interval设置为5000(毫秒),dfs.heartbeat.interval设置为3(秒,默认),则总的超时时间为40秒。

    <property>
            <name>heartbeat.recheck.interval</name>
            <value>2000</value>
    </property>
    <property>
            <name>dfs.heartbeat.interval</name>
            <value>1</value>
    </property>

    6.2 观察验证DATANODE功能 

    上传一个文件,观察文件的block具体的物理存放情况:

    在每一台datanode机器上的这个目录中能找到文件的切块:

    /home/hadoop/app/hadoop-2.4.1/tmp/dfs/data/current/BP-193442119-192.168.2.120-1432457733977/current/finalized

    7. HDFSjava操作

    hdfs在生产应用中主要是客户端的开发,其核心步骤是从hdfs提供的api中构造一个HDFS的访问客户端对象,然后通过该客户端对象操作(增删改查)HDFS上的文件

    7.1 搭建开发环境

    1、引入依赖

    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-client</artifactId>
        <version>2.8.3</version>
    </dependency>
    <!—指定jdk的版本 --> 
    <build>
            <plugins>
                <plugin>
                    <groupId>org.apache.maven.plugins</groupId>
                    <artifactId>maven-compiler-plugin</artifactId>
                    <version>3.1</version>
                    <configuration>
                        <source>1.8</source>
                        <target>1.8</target>
                    </configuration>
                </plugin>
            </plugins>
        </build>

    注:如需手动引入jar包,hdfsjar----hadoop的安装目录的share

    2window下开发的说明

    建议在linux下进行hadoop应用的开发,不会存在兼容性问题。如在window上做客户端应用开发,需要设置以下环境:

    A、windows的某个目录下解压一个hadoop的安装包

    B、将安装包下的libbin目录用对应windows版本平台编译的本地库替换

    C、window系统中配置HADOOP_HOME指向你解压的安装包

    D、windows系统的path变量中加入hadoopbin目录

    7.2 获取api中的客户端对象

    java中操作hdfs,首先要获得一个客户端实例

    Configuration conf = new Configuration()
    FileSystem fs = FileSystem.get(conf)

    而我们的操作目标是HDFS,所以获取到的fs对象应该是DistributedFileSystem的实例; 

    get方法是从何处判断具体实例化那种客户端类呢?

    ——从conf中的一个参数 fs.defaultFS的配置值判断;

    如果我们的代码中没有指定fs.defaultFS,并且工程classpath下也没有给定相应的配置,conf中的默认值就来自于hadoopjar包中的core-default.xml,默认值为: file:///,则获取的将不是一个DistributedFileSystem的实例,而是一个本地文件系统的客户端对象

    7.3 DistributedFileSystem实例对象所具备的方法

     

    7.4 HDFS客户端操作数据代码示例:

    7.4.1 文件的增删改查

      

    public class HdfsClient {
    
        FileSystem fs = null;
    
        @Before
        public void init() throws Exception {
    
            // 构造一个配置参数对象,设置一个参数:我们要访问的hdfs的URI
            // 从而FileSystem.get()方法就知道应该是去构造一个访问hdfs文件系统的客户端,以及hdfs的访问地址
            // new Configuration();的时候,它就会去加载jar包中的hdfs-default.xml
            // 然后再加载classpath下的hdfs-site.xml
            Configuration conf = new Configuration();
            conf.set("fs.defaultFS", "hdfs://hdp-node01:9000");
            /**
             * 参数优先级: 1、客户端代码中设置的值 2、classpath下的用户自定义配置文件 3、然后是服务器的默认配置
             */
            conf.set("dfs.replication", "3");
    
            // 获取一个hdfs的访问客户端,根据参数,这个实例应该是DistributedFileSystem的实例
            // fs = FileSystem.get(conf);
    
            // 如果这样去获取,那conf里面就可以不要配"fs.defaultFS"参数,而且,这个客户端的身份标识已经是hadoop用户
            fs = FileSystem.get(new URI("hdfs://hdp-node01:9000"), conf, "hadoop");
    
        }
    
        /**
         * 往hdfs上传文件
         * 
         * @throws Exception
         */
        @Test
        public void testAddFileToHdfs() throws Exception {
    
            // 要上传的文件所在的本地路径
            Path src = new Path("g:/redis-recommend.zip");
            // 要上传到hdfs的目标路径
            Path dst = new Path("/aaa");
            fs.copyFromLocalFile(src, dst);
            fs.close();
        }
    
        /**
         * 从hdfs中复制文件到本地文件系统
         * 
         * @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 {
    
            // 创建目录
            fs.mkdirs(new Path("/a1/b1/c1"));
    
            // 删除文件夹 ,如果是非空文件夹,参数2必须给值true
            fs.delete(new Path("/aaa"), true);
    
            // 重命名文件或文件夹
            fs.rename(new Path("/a1"), new Path("/a2"));
    
        }
    
        /**
         * 查看目录信息,只显示文件
         * 
         * @throws IOException
         * @throws IllegalArgumentException
         * @throws FileNotFoundException
         */
        @Test
        public void testListFiles() throws FileNotFoundException, IllegalArgumentException, IOException {
    
            // 思考:为什么返回迭代器,而不是List之类的容器
            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("--------------为angelababy打印的分割线--------------");
            }
        }
    
        /**
         * 查看文件及文件夹信息
         * 
         * @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());
            }
        }
    }
    View Code

    7.4.2 通过流的方式访问hdfs

     

    /**
     * 相对那些封装好的方法而言的更底层一些的操作方式
     * 上层那些mapreduce   spark等运算框架,去hdfs中获取数据的时候,就是调的这种底层的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");
    
        }
        
            /**
         * 通过流的方式上传文件到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{
            
            //先获取一个文件的输入流----针对hdfs上的
            FSDataInputStream in = fs.open(new Path("/jdk-7u65-linux-i586.tar.gz"));
            
            //再构造一个文件的输出流----针对本地的
            FileOutputStream out = new FileOutputStream(new File("c:/jdk.tar.gz"));
            
            //再将输入流中数据传输到输出流
            IOUtils.copyBytes(in, out, 4096);
            
            
        }
        
        
        /**
         * hdfs支持随机定位进行文件读取,而且可以方便地读取指定长度
         * 用于上层分布式运算框架并发处理数据
         * @throws IllegalArgumentException
         * @throws IOException
         */
        @Test
        public void testRandomAccess() throws IllegalArgumentException, IOException{
            //先获取一个文件的输入流----针对hdfs上的
            FSDataInputStream in = fs.open(new Path("/iloveyou.txt"));
            
            
            //可以将流的起始偏移量进行自定义
            in.seek(22);
            
            //再构造一个文件的输出流----针对本地的
            FileOutputStream out = new FileOutputStream(new File("c:/iloveyou.line.2.txt"));
            
            IOUtils.copyBytes(in,out,19L,true);
            
        }
        
        
        
        /**
         * 显示hdfs上文件的内容
         * @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);
        }
    }
    View Code

     

      

    7.4.3 场景编程

    mapreduce spark等运算框架中,有一个核心思想就是将运算移往数据,或者说,就是要在并发计算中尽可能让运算本地化,这就需要获取数据所在位置的信息并进行相应范围读取

    以下模拟实现:获取一个文件的所有block位置信息,然后读取指定block中的内容

    @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"));
            //获取这个文件的所有block的信息
            BlockLocation[] fileBlockLocations = fs.getFileBlockLocations(listStatus[0], 0L, listStatus[0].getLen());
            //第一个block的长度
            long length = fileBlockLocations[0].getLength();
            //第一个block的起始偏移量
            long offset = fileBlockLocations[0].getOffset();
            
            System.out.println(length);
            System.out.println(offset);
            
            //获取第一个block写入输出流
    //        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();
        }
    View Code

      

  • 相关阅读:
    Docker和K8S
    CoBot 库博源代码缺陷检测工具
    Hobot软件成分分析平台
    Black duck(黑鸭子软件)开源代码审计管理测试平台
    python之理解super及MRO列表
    Python中MRO排序原理
    python中with的用法
    使用微服务架构重构支付网关
    支付网关的设计原则
    python内存管理--垃圾回收
  • 原文地址:https://www.cnblogs.com/lq0310/p/9593143.html
Copyright © 2011-2022 走看看