文章目錄
課程大綱(HDFS詳解)
學習目標:
HDFS基本概念篇
- 1.1HDFS前言
- 1.2HDFS的概念和特性
HDFS基本操作篇
- 2.1HDFS的shell(命令行客戶端)操作
- 2.1.1 HDFS命令行客戶端使用
- 2.2 命令行客戶端支持的命令參數
- 2.3 常用命令參數介紹
HDFS原理篇
hdfs的工作機制
- 3.1 概述
- 3.2 HDFS寫數據流程
- 3.2.1 概述
- 3.2.2 詳細步驟圖
- 3.2.3 詳細步驟解析
- 3.3. HDFS讀數據流程
- 3.3.1 概述
- 3.3.2 詳細步驟圖
- 3.3.3 詳細步驟解析
- 4 NAMENODE工作機制
- 4.1 NAMENODE職責
- 4.2 元數據管理
- 4.2.1 元數據存儲機制(元數據是對象,有特定的數據結構,可以理解為hashmap結構)
- 4.2.2 元數據手動查看
- 4.2.3 元數據的checkpoint
- 4.2.4 元數據目錄說明
- 5 DATANODE的工作機制
- 5.1 概述
- 5.2 觀察驗證DATANODE功能
- 5.3元數據目錄(自己添加,實測有效)
HDFS應用開發篇
- 6. HDFS的java操作
- 6.1 搭建開發環境
- 6.2 獲取api中的客戶端對象
- 6.3 DistributedFileSystem實例對象所具備的方法
- 6.4 HDFS客戶端操作數據代碼示例:
- 6.4.1 文件的增刪改查
- 6.4.2 通過流的方式訪問hdfs
- 6.4.3 場景編程
7. 案例1:開發shell采集腳本
- 7.1需求說明
- 7.2需求分析
- 7.3技術分析
- 7.4實現流程
- 7.4.1日志產生程序
- 7.4.2偽代碼
- 7.5代碼實現
- 7.6效果展示及操作步驟
8. 案例2:開發JAVA采集程序
- 8.1 需求
- 8.2 設計分析
HDFS基本概念篇
1.1HDFS前言
設計思想
分而治之:將大文件、大批量文件,分布式存放在大量服務器上,以便於采取分而治之的方式對海量數據進行運算分析;
在大數據系統中作用:
為各類分布式運算框架(如:mapreduce,spark,tez,……)提供數據存儲服務
重點概念:文件切塊,副本存放,元數據
補充:
hdfs是架在本地文件系統上面的分布式文件系統,它就是個軟件,也就是用一套代碼把底下所有機器的硬盤變成一個軟件下的目錄,和mysql沒有什么區別,思想一樣。
mysql 本質是一個解析器,把sql變成io去讀文件,再把數據轉換出來給用戶,存文件的底層就是使用linux或者windows的文件系統,文件名就是表名,目錄名就是庫名。
1.2HDFS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,它是分布式的,由很多服務器聯合起來實現其功能,集群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信息(元數據)**的管理由namenode節點承擔
——namenode是HDFS集群主節點,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集群從節點,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)
補充:同一個block不會存儲多份(大於1)在同一個datanode上,因為這樣沒有意義。
(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,因為,不便修改,延遲大,網絡開銷大,成本太高)
HDFS基本操作篇
2.1HDFS的shell(命令行客戶端)操作
2.1.1 HDFS命令行客戶端使用
HDFS提供shell命令行客戶端,使用方法如下:
2.2 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 ...]]
2.3 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/
備注: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
–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
可以簡寫為:
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:這三個命令跟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
-getmerge
功能:合並下載多個文件
示例:比如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: hadoop dfsadmin -report 用這個命令可以快速定位出哪些節點down掉了,HDFS的容量以及使用了多少,以及每個節點的硬盤使用情況。
HDFS原理篇
hdfs的工作機制
(工作機制的學習主要是為加深對分布式系統的理解,以及增強遇到各種問題時的分析解決能力,形成一定的集群運維能力)
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。要想將技術准確用在恰當的地方,必須對技術有深刻的理解
3.1 概述
- HDFS集群分為兩大角色:NameNode、DataNode (Secondary Namenode)
- NameNode負責管理整個文件系統的元數據(整個hdfs文件系統的目錄樹和每個文件的block信息)
- DataNode 負責管理用戶的文件數據塊
- 文件會按照固定的大小(blocksize)切成若干塊后分布式存儲在若干台datanode上
- 每一個文件塊可以有多個副本,並存放在不同的datanode上
- Datanode會定期向Namenode匯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
- 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
3.2 HDFS寫數據流程
3.2.1 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,然后,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復制block的副本
3.2.2 詳細步驟圖
3.2.3 詳細步驟解析
- 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
- namenode返回是否可以上傳
- client請求第一個 block該傳輸到哪些datanode服務器上
- namenode返回3個datanode服務器ABC
- client請求3台dn中的一台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,然后B調用C,將真個pipeline建立完成,逐級返回客戶端
- 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為單位,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
- 當一個block傳輸完成之后,client再次請求namenode上傳第二個block的服務器。
3.3. HDFS讀數據流程
3.3.1 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並從而獲得整個文件
3.3.2 詳細步驟圖
3.3.3 詳細步驟解析
- 跟namenode通信查詢元數據,namenode找到文件塊所在的datanode服務器
- 挑選一台datanode(就近原則,然后隨機)服務器,請求建立socket流
- datanode開始發送數據(從磁盤里面讀取數據放入流,以packet為單位來做校驗)
- 客戶端以packet為單位接收,現在本地緩存,然后寫入目標文件
4 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集群運營中“性能調優”、“namenode”故障問題的分析解決能力
問題場景:
- 集群啟動后,可以查看文件,但是上傳文件時報錯,打開web頁面可看到namenode正處於safemode狀態,怎么處理?
- Namenode服務器的磁盤故障導致namenode宕機,如何挽救集群及數據?
- Namenode是否可以有多個?namenode內存要配置多大?namenode跟集群數據存儲能力有關系嗎?
- 文件的blocksize究竟調大好還是調小好?
……
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
4.1 NAMENODE職責
- NAMENODE職責:
- 負責客戶端請求的響應
- 元數據的管理(查詢,修改)
4.2 元數據管理
namenode對數據的管理采用了三種存儲形式:
- 內存元數據(NameSystem)
- 磁盤元數據鏡像文件(fsimage)
- 數據操作日志文件(edits可通過日志運算出元數據)
4.2.1 元數據存儲機制(元數據是對象,有特定的數據結構,可以理解為hashmap結構)
A、內存中有一份完整的元數據(內存meta data)
B、磁盤有一個“准完整”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之間的操作日志(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日志文件中,當客戶端操作成功后,相應的元數據會更新到內存meta.data中
補充:
1、fsimage文件是線性結構,都是0和1,很難查找或者修改某條數據,所以才會定期checkpoint。
2、edits記錄的是操作步驟,類似於mysql的binlog
3、fsimage記錄的是這個文件備份了幾份,分別叫什么名稱
4、secondary namenode建議不和namenode在一個節點啟動,因為它會拷貝元數據,加載到內存生成fsimage,會占用namenode的內存。(最簡版)
5、在hadoop的高可用機制+Federation機制中,沒有SecondaryNamenode,可以通過啟動SecondaryNamenode進行驗證,會報一個錯誤:“它的功能被StandbyNamenode取代”。(在啟動的那台機器的logs文件夾里面的SecondaryNamenode.log)。(完全版)
4.2.2 元數據手動查看
可以通過hdfs的一個工具來查看edits中的信息
bin/hdfs oev -i edits -o edits.xml
bin/hdfs oiv -i fsimage_0000000000000000087 -p XML -o fsimage.xml
4.2.3 元數據的checkpoint
每隔一段時間,會由secondary namenode將namenode上最新的edits(下載過的namenode會刪除)和fsimage(第一次時會下載fsimage,以后不會)下載到secondary namenode中,並加載到內存進行merge(這個過程稱為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://KaTeX parse error: Expected 'EOF', got '#' at position 36:
…/namesecondary #̲以上兩個參數做checkpoi…{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。
4.2.4 元數據目錄說明
在第一次部署好Hadoop集群的時候,我們需要在NameNode(NN)節點上格式化磁盤:
$HADOOP_HOME/bin/hdfs namenode -format
格式化完成之后,將會在$ 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,即使你這台機器損壞了,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。
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后生成的;
(2)、storageType說明這個文件存儲的是什么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,所以這里的記錄值為0,以后對NameNode升級之后,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群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群有沖突。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、升級集群至最新版本。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. $dfs.namenode.name.dir/current/seen_txid非常重要,是存放transactionId的文件,format之后是0,它代表的是namenode里面的edits_*文件的尾數,namenode重啟的時候,會按照seen_txid的數字,循序從頭跑edits_0000001~到seen_txid的數字。所以當你的hdfs發生異常重啟的時候,一定要比對seen_txid內的數字是不是你edits最后的尾數,不然會發生建置namenode時metaData的資料有缺少,導致誤刪Datanode上多余Block的資訊。
3.$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,每次重啟namenode時,namenode就知道要將哪些edits進行加載edits
5 DATANODE的工作機制
問題場景:
1、集群容量不夠,怎么擴容?
2、如果有一些datanode宕機,該怎么辦?
3、datanode明明已啟動,但是集群中的可用datanode列表中就是沒有,怎么辦?
以上這類問題的解答,有賴於對datanode工作機制的深刻理解
5.1 概述
1、Datanode工作職責:
存儲管理用戶的文件塊數據
定期向namenode匯報自身所持有的block信息(通過心跳信息上報)
(這點很重要,因為,當集群中發生某些block副本失效時,集群如何恢復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為死亡,要經過一段時間,這段時間暫稱作超時時長。HDFS默認的超時時長為10分鍾+30秒。如果定義超時時間為timeout,則超時時長的計算公式為:
timeout = 2 * heartbeat.recheck.interval + 10 * dfs.heartbeat.interval。
而默認的heartbeat.recheck.interval 大小為5分鍾,dfs.heartbeat.interval默認為3秒。
需要注意的是hdfs-site.xml 配置文件中的heartbeat.recheck.interval的單位為毫秒,dfs.heartbeat.interval的單位為秒。所以,舉個例子,如果heartbeat.recheck.interval設置為5000(毫秒),dfs.heartbeat.interval設置為3(秒,默認),則總的超時時間為40秒。
<property> <name>heartbeat.recheck.interval</name> <value>2000</value> </property> <property> <name>dfs.heartbeat.interval</name> <value>1</value> </property>
5.2 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:
在每一台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
5.3元數據目錄(自己添加,實測有效)
其中的dfs.data.dir是在hdfs-site.xml文件中配置的,默認值如下:
<property> <name>dfs.data.dir</name> <value>file://${hadoop.tmp.dir}/dfs/name</value> </property>
dfs. datanode data.dir屬性可以配置多個目錄,
如/data1/dfs/ data,/data2/dfs/ data,/data3/dfs/ data,…。datanode配置多塊磁盤后,會將這些磁盤統一看成它的空間。並發時有優勢,可以往不同的磁盤寫數據,磁盤可以並行。相當於擴容。
補充:block塊默認128M,最小配置為1M
HDFS應用開發篇
6. 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,然后通過該客戶端對象操作(增刪改查)HDFS上的文件
6.1 搭建開發環境
1.引入依賴
<dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-client</artifactId> <version>2.6.1</version> </dependency>
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、在windows的某個目錄下解壓一個hadoop的安裝包
B、將安裝包下的lib和bin目錄用對應windows版本平台編譯的本地庫替換
C、在window系統中配置HADOOP_HOME指向你解壓的安裝包
D、在windows系統的path變量中加入hadoop的bin目錄
6.2 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,默認值為: 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
6.3 DistributedFileSystem實例對象所具備的方法
6.4 HDFS客戶端操作數據代碼示例:
6.4.1 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 // 然后再加載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、然后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里面就可以不要配"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中復制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:為什么返回迭代器,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("--------------為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()); } } }
6.4.2 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 * 用於上層分布式運算框架並發處理數據 * @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); } }
6.4.3 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,就是要在並發計算中盡可能讓運算本地化,這就需要獲取數據所在位置的信息並進行相應范圍讀取
以下模擬實現:獲取一個文件的所有block位置信息,然后讀取指定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(); }
7. 案例1:開發shell采集腳本
7.1需求說明
點擊流日志每天都10T,在業務應用服務器上,需要准實時上傳至數據倉庫(Hadoop HDFS)上
7.2需求分析
一般上傳文件都是在凌晨24點操作,由於很多種類的業務數據都要在晚上進行傳輸,為了減輕服務器的壓力,避開高峰期。
如果需要偽實時的上傳,則采用定時上傳的方式
7.3技術分析
HDFS SHELL: hadoop fs –put xxxx.tar /data 還可以使用 Java Api 滿足上傳一個文件,不能滿足定時、周期性傳入。 定時調度器: Linux crontab crontab -e */5 * * * * $home/bin/command.sh //五分鍾執行一次 系統會自動執行腳本,每5分鍾一次,執行時判斷文件是否符合上傳規則,符合則上傳
7.4實現流程
7.4.1日志產生程序
日志產生程序將日志生成后,產生一個一個的文件,使用滾動模式創建文件名。
日志生成的邏輯由業務系統決定,比如在log4j配置文件中配置生成規則,如:當xxxx.log 等於10G時,滾動生成新日志
log4j.logger.msg=info,msg log4j.appender.msg=cn.maoxiangyi.MyRollingFileAppender log4j.appender.msg.layout=org.apache.log4j.PatternLayout log4j.appender.msg.layout.ConversionPattern=%m%n log4j.appender.msg.datePattern='.'yyyy-MM-dd log4j.appender.msg.Threshold=info log4j.appender.msg.append=true log4j.appender.msg.encoding=UTF-8 log4j.appender.msg.MaxBackupIndex=100 log4j.appender.msg.MaxFileSize=10GB log4j.appender.msg.File=/home/hadoop/logs/log/access.log
細節:
1、如果日志文件后綴是1\2\3等數字,該文件滿足需求可以上傳的話。把該文件移動到准備上傳的工作區間。
2、工作區間有文件之后,可以使用hadoop put命令將文件上傳。
階段問題:
1、待上傳文件的工作區間的文件,在上傳完成之后,是否需要刪除掉。
7.4.2偽代碼
使用ls命令讀取指定路徑下的所有文件信息, ls | while read line //判斷line這個文件名稱是否符合規則 if line=access.log.* ( 將文件移動到待上傳的工作區間 )
//批量上傳工作區間的文件
hadoop fs –put xxx
腳本寫完之后,配置linux定時任務,每5分鍾運行一次。
7.5代碼實現
代碼第一版本,實現基本的上傳功能和定時調度功能
代碼第二版本:增強版V2(基本能用,還是不夠健全)
7.6效果展示及操作步驟
1、日志收集文件收集數據,並將數據保存起來,效果如下:
2、上傳程序通過crontab定時調度
3、程序運行時產生的臨時文件
4、Hadoo hdfs上的效果
8. 案例2:開發JAVA采集程序
8.1 需求
從外部購買數據,數據提供方會實時將數據推送到6台FTP服務器上,我方部署6台接口采集機來對接采集數據,並上傳到HDFS中
提供商在FTP上生成數據的規則是以小時為單位建立文件夾(2016-03-11-10),每分鍾生成一個文件(00.dat,01.data,02.dat,…)
提供方不提供數據備份,推送到FTP服務器的數據如果丟失,不再重新提供,且FTP服務器磁盤空間有限,最多存儲最近10小時內的數據
由於每一個文件比較小,只有150M左右,因此,我方在上傳到HDFS過程中,需要將15分鍾時段的數據合並成一個文件上傳到HDFS
為了區分數據丟失的責任,我方在下載數據時最好進行校驗
8.2 設計分析