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，以便于采起分而治之的方式对海量数据进行运算分析；

在大数据系统中做用：

为各种分布式运算框架（如：mapreduce，spark，tez，……）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，经过统一的命名空间——目录树来定位文件

其次，它是分布式的，由不少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；

重要特性以下：

（1）HDFS中的文件在物理上是分块存储（block），块的大小能够经过配置参数( 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，客户端经过路径来访问文件，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

——namenode是HDFS集群主节点，负责维护整个hdfs文件系统的目录树，以及每个路径（文件）所对应的block块信息（block的id，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

---- datanode是HDFS集群从节点，每个block均可以在多个datanode上存储多个副本（副本数量也能够经过参数设置dfs.replication）

（5）HDFS是设计成适应一次写入，屡次读出的场景，且不支持文件的修改

(注：适合用来作数据分析，并不适合用来作网盘应用，由于，不便修改，延迟大，网络开销大，成本过高)

 

 

3. HDFS的shell(命令行客户端)操做

 

3.1 HDFS命令行客户端使用

 

HDFS提供shell命令行客户端，使用方法以下：

 

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 经常使用命令参数介绍

 

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，全部的hdfs路径均可以简写 -->hadoop fs -ls /   等同于上一条命令的效果

-mkdir               功能：在hdfs上建立目录 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 能够简写为： 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文件系统中的用法同样，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的另外一个路径 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：好比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的工做机制

（工做机制的学习主要是为加深对分布式系统的理解，以及加强遇到各类问题时的分析解决能力，造成必定的集群运维能力）

注：不少不是真正理解hadoop技术体系的人会经常以为HDFS可用于网盘类应用，但实际并不是如此。要想将技术准确用在恰当的地方，必须对技术有深入的理解

4.1 概述

1. HDFS集群分为两大角色：NameNode、DataNode  (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上
5. 每个文件块能够有多个副本，并存放在不一样的datanode上
6. Datanode会按期向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的内部工做机制对客户端保持透明，客户端请求访问HDFS都是经过向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通讯以确承认以写文件并得到接收文件block的datanode，而后，客户端按顺序将文件逐个block传递给相应datanode，并由接收到block的datanode负责向其余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通讯请求上传文件，namenode检查目标文件是否已存在，父目录是否存在

2、namenode返回是否能够上传

3、client请求第一个 block该传输到哪些datanode服务器上

4、namenode返回3个datanode服务器ABC

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

6、client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B，B传给C；A每传一个packet会放入一个应答队列等待应答

7、当一个block传输完成以后，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namenode，namenode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得到整个文件

4.3.2 详细步骤图

 

 

4.3.3 详细步骤解析

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

2、挑选一台datanode（就近原则，而后随机）服务器，请求创建socket流

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

4、客户端以packet为单位接收，如今本地缓存，而后写入目标文件

 

5. NAMENODE工做机制

学习目标：理解namenode的工做机制尤为是元数据管理机制，以加强对HDFS工做原理的理解，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，能够查看文件，可是上传文件时报错，打开web页面可看到namenode正处于safemode状态，怎么处理？

2、Namenode服务器的磁盘故障致使namenode宕机，如何挽救集群及数据？

3、Namenode是否能够有多个？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究竟调大好仍是调小好？

……

 

诸如此类问题的回答，都须要基于对namenode自身的工做原理的深入理解

 

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

数据操做日志文件（可经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(在namenode的工做目录中)

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

5.2.2 元数据手动查看

能够经过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 namenode将namenode上积累的全部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操做的触发条件配置参数

 

dfs.namenode.checkpoint.check.period=60  #检查触发条件是否知足的频率，60秒
dfs.namenode.checkpoint.dir=file://${hadoop.tmp.dir}/dfs/namesecondary
#以上两个参数作checkpoint操做时，secondary namenode的本地工做目录
dfs.namenode.checkpoint.edits.dir=${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之间最大的操做记录

 

 

 

namenode和secondary namenode的工做目录存储结构彻底相同，因此，当namenode故障退出须要从新恢复时，能够从secondary namenode的工做目录中将fsimage拷贝到namenode的工做目录，以恢复namenode的元数据checkpoint的附带做用

5.2.4 元数据目录说明

在第一次部署好Hadoop集群的时候，咱们须要在NameNode（NN）节点上格式化磁盘：

 

$HADOOP_HOME/bin/hdfs namenode -format

格式化完成以后，将会在$dfs.namenode.name.dir/current目录下以下的文件结构

 

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，默认值以下：

<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，默认值以下
<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属性能够配置多个目录，

如/data1/dfs/name,/data2/dfs/name,/data3/dfs/name,....。各个目录存储的文件结构和内容都彻底同样，至关于备份，这样作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 System，NFS）之上，即便你这台机器损坏了，元数据也获得保存。
下面对$dfs.namenode.name.dir/current/目录下的文件进行解释。
1、VERSION文件是Java属性文件，内容大体以下：

 

#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是文件系统的惟一标识符，在文件系统首次格式化以后生成的；
　　（2）、storageType说明这个文件存储的是什么进程的数据结构信息（若是是DataNode，storageType=DATA_NODE）；
　　（3）、cTime表示NameNode存储时间的建立时间，因为个人NameNode没有更新过，因此这里的记录值为0，之后对NameNode升级以后，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， 只要数据结构变动，版本号也要递减，此时的HDFS也须要升级，不然磁盘仍旧是使用旧版本的数据结构，这会致使新版本的NameNode没法使用；
　　（5）、clusterID是系统生成或手动指定的集群ID，在-clusterid选项中可使用它；以下说明

 

a、使用以下命令格式化一个Namenode：

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

选择一个惟一的cluster_id，而且这个cluster_id不能与环境中其余集群有冲突。若是没有提供cluster_id，则会自动生成一个惟一的ClusterID。

b、使用以下命令格式化其余Namenode：

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

c、升级集群至最新版本。在升级过程当中须要提供一个ClusterID，例如：

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

若是没有提供ClusterID，则会自动生成一个ClusterID。

　　（6）、blockpoolID：是针对每个Namespace所对应的blockpool的ID，上面的这个BP-893790215-192.168.24.72-1383809616115就是在个人ns1的namespace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很是重要，是存放transactionId的文件，format以后是0，它表明的是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~到seen_txid的数字。因此当你的hdfs发生异常重启的时候，必定要比对seen_txid内的数字是否是你edits最后的尾数，否则会发生建置namenode时metaData的资料有缺乏，致使误删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fsimage和edits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的工做机制

问题场景：

1、集群容量不够，怎么扩容？

2、若是有一些datanode宕机，该怎么办？

3、datanode明明已启动，可是集群中的可用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工做机制的深入理解

6.1 概述

1、Datanode工做职责：

存储管理用户的文件块数据

按期向namenode汇报自身所持有的block信息（经过心跳信息上报）

（这点很重要，由于，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>

 

2、Datanode掉线判断时限参数

datanode进程死亡或者网络故障形成datanode没法与namenode通讯，namenode不会当即把该节点断定为死亡，要通过一段时间，这段时间暂称做超时时长。HDFS默认的超时时长为10分钟+30秒。若是定义超时时间为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。

须要注意的是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。因此，举个例子，若是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具体的物理存放状况：

 

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. HDFS的java操做

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，而后经过该客户端对象操做（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，hdfs的jar包----hadoop的安装目录的share下

2、window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上作客户端应用开发，须要设置如下环境：

A、在windows的某个目录下解压一个hadoop的安装包

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

C、在window系统中配置HADOOP_HOME指向你解压的安装包

D、在windows系统的path变量中加入hadoop的bin目录

7.2 获取api中的客户端对象

在java中操做hdfs，首先要得到一个客户端实例

 

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

而咱们的操做目标是HDFS，因此获取到的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；

若是咱们的代码中没有指定fs.defaultFS，而且工程classpath下也没有给定相应的配置，conf中的默认值就来自于hadoop的jar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实例对象所具有的方法

 

7.4 HDFS客户端操做数据代码示例：

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：咱们要访问的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
        // 而后再加载classpath下的hdfs-site.xml
        Configuration conf = new Configuration();
        conf.set("fs.defaultFS", "hdfs://hdp-node01:9000");
        /**
         * 参数优先级： 一、客户端代码中设置的值 二、classpath下的用户自定义配置文件 三、而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);

        // 若是这样去获取，那conf里面就能够不要配"fs.defaultFS"参数，并且，这个客户端的身份标识已是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 {

        // 建立目录
        fs.mkdirs(new Path("/a1/b1/c1"));

        // 删除文件夹 ，若是是非空文件夹，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：为何返回迭代器，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 经过流的方式访问hdfs

 

/**
 * 相对那些封装好的方法而言的更底层一些的操做方式
 * 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");

    }
    
        /**
     * 经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，并且能够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"));
        
        
        //能够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

在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量让运算本地化，这就须要获取数据所在位置的信息并进行相应范围读取

如下模拟实现：获取一个文件的全部block位置信息，而后读取指定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"));
        //获取这个文件的全部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