如何使用Java API读写HDFS

Posted 2023-05-06

import java.io.BufferedInputStream;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.IOException;
import java.io.InputStream;
import java.io.OutputStream;
import java.net.URI;
import java.util.Date;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.BlockLocation;
import org.apache.hadoop.fs.FSDataOutputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.hdfs.DistributedFileSystem;
import org.apache.hadoop.hdfs.protocol.DatanodeInfo;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.util.Progressable; 参考技术A package com.wyc.hadoop.fs;
 
import java.io.BufferedInputStream;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.IOException;
import java.io.InputStream;
import java.io.OutputStream;
import java.net.URI;
import java.util.Date;
 
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.BlockLocation;
import org.apache.hadoop.fs.FSDataOutputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.hdfs.DistributedFileSystem;
import org.apache.hadoop.hdfs.protocol.DatanodeInfo;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.util.Progressable;
 
public class FSOptr 
 
    /**
     * @param args
     */
    public static void main(String[] args) throws Exception 
        // TODO Auto-generated method stub
        Configuration conf = new Configuration();
        makeDir(conf);
        rename(conf);
        delete(conf);
 
    
 
    // 创建文件目录
    private static void makeDir(Configuration conf) throws Exception 
        FileSystem fs = FileSystem.get(conf);
        Path dir = new Path("/user/hadoop/data/20140318");
        boolean result = fs.mkdirs(dir);// 创建文件夹
        System.out.println("make dir :" + result);
 
        // 创建文件，并写入内容
        Path dst = new Path("/user/hadoop/data/20140318/tmp");
        byte[] buff = "hello,hadoop!".getBytes();
        FSDataOutputStream outputStream = fs.create(dst);
        outputStream.write(buff, 0, buff.length);
        outputStream.close();
        FileStatus files[] = fs.listStatus(dst);
        for (FileStatus file : files) 
            System.out.println(file.getPath());
        
        fs.close();
    
 
    // 重命名文件
    private static void rename(Configuration conf) throws Exception 
 
        FileSystem fs = FileSystem.get(conf);
        Path oldName = new Path("/user/hadoop/data/20140318/1.txt");
        Path newName = new Path("/user/hadoop/data/20140318/2.txt");
        fs.rename(oldName, newName);
 
        FileStatus files[] = fs.listStatus(new Path(
                "/user/hadoop/data/20140318"));
        for (FileStatus file : files) 
            System.out.println(file.getPath());
        
        fs.close();
    
 
    // 删除文件
    @SuppressWarnings("deprecation")
    private static void delete(Configuration conf) throws Exception 
        FileSystem fs = FileSystem.get(conf);
        Path path = new Path("/user/hadoop/data/20140318");
        if (fs.isDirectory(path)) 
            FileStatus files[] = fs.listStatus(path);
            for (FileStatus file : files) 
                fs.delete(file.getPath());
            
         else 
            fs.delete(path);
        
 
        // 或者
        fs.delete(path, true);
 
        fs.close();
    
 
    /**
     * 下载,将hdfs文件下载到本地磁盘
     * 
     * @param localSrc1
     *            本地的文件地址，即文件的路径
     * @param hdfsSrc1
     *            存放在hdfs的文件地址
     */
    public boolean sendFromHdfs(String hdfsSrc1, String localSrc1) 
 
        Configuration conf = new Configuration();
        FileSystem fs = null;
        try 
            fs = FileSystem.get(URI.create(hdfsSrc1), conf);
            Path hdfs_path = new Path(hdfsSrc1);
            Path local_path = new Path(localSrc1);
 
            fs.copyToLocalFile(hdfs_path, local_path);
 
            return true;
         catch (IOException e) 
            e.printStackTrace();
        
        return false;
    
 
    /**
     * 上传，将本地文件copy到hdfs系统中
     * 
     * @param localSrc
     *            本地的文件地址，即文件的路径
     * @param hdfsSrc
     *            存放在hdfs的文件地址
     */
    public boolean sendToHdfs1(String localSrc, String hdfsSrc) 
        InputStream in;
        try 
            in = new BufferedInputStream(new FileInputStream(localSrc));
            Configuration conf = new Configuration();// 得到配置对象
            FileSystem fs; // 文件系统
            try 
                fs = FileSystem.get(URI.create(hdfsSrc), conf);
                // 输出流，创建一个输出流
                OutputStream out = fs.create(new Path(hdfsSrc),
                        new Progressable() 
                            // 重写progress方法
                            public void progress() 
                                // System.out.println("上传完一个设定缓存区大小容量的文件！");
                            
                        );
                // 连接两个流，形成通道，使输入流向输出流传输数据,
                IOUtils.copyBytes(in, out, 10240, true); // in为输入流对象，out为输出流对象，4096为缓冲区大小，true为上传后关闭流
                return true;
             catch (IOException e) 
                e.printStackTrace();
            
 
         catch (FileNotFoundException e) 
            e.printStackTrace();
        
        return false;
    
 
    /**
     * 移动
     * 
     * @param old_st原来存放的路径
     * @param new_st移动到的路径
     */
    public boolean moveFileName(String old_st, String new_st) 
 
        try 
 
            // 下载到服务器本地
            boolean down_flag = sendFromHdfs(old_st, "/home/hadoop/文档/temp");
            Configuration conf = new Configuration();
            FileSystem fs = null;
 
            // 删除源文件
            try 
                fs = FileSystem.get(URI.create(old_st), conf);
                Path hdfs_path = new Path(old_st);
                fs.delete(hdfs_path);
             catch (IOException e) 
                e.printStackTrace();
            
 
            // 从服务器本地传到新路径
            new_st = new_st + old_st.substring(old_st.lastIndexOf("/"));
            boolean uplod_flag = sendToHdfs1("/home/hadoop/文档/temp", new_st);
 
            if (down_flag && uplod_flag) 
                return true;
            
         catch (Exception e) 
            e.printStackTrace();
        
        return false;
    
 
    // copy本地文件到hdfs
    private static void CopyFromLocalFile(Configuration conf) throws Exception 
        FileSystem fs = FileSystem.get(conf);
        Path src = new Path("/home/hadoop/word.txt");
        Path dst = new Path("/user/hadoop/data/");
        fs.copyFromLocalFile(src, dst);
        fs.close();
    
 
    // 获取给定目录下的所有子目录以及子文件
    private static void getAllChildFile(Configuration conf) throws Exception 
        FileSystem fs = FileSystem.get(conf);
        Path path = new Path("/user/hadoop");
        getFile(path, fs);
    
 
    private static void getFile(Path path, FileSystem fs)throws Exception 
        FileStatus[] fileStatus = fs.listStatus(path);
        for (int i = 0; i < fileStatus.length; i++) 
            if (fileStatus[i].isDir()) 
                Path p = new Path(fileStatus[i].getPath().toString());
                getFile(p, fs);
             else 
                System.out.println(fileStatus[i].getPath().toString());
            
        
    
     
     
    //判断文件是否存在
    private static boolean isExist(Configuration conf,String path)throws Exception
        FileSystem fileSystem = FileSystem.get(conf);
        return fileSystem.exists(new Path(path));
    
     
    //获取hdfs集群所有主机结点数据
    private static void getAllClusterNodeInfo(Configuration conf)throws Exception
        FileSystem fs = FileSystem.get(conf);
        DistributedFileSystem hdfs = (DistributedFileSystem)fs;
        DatanodeInfo[] dataNodeStats = hdfs.getDataNodeStats();
        String[] names = new String[dataNodeStats.length];
        System.out.println("list of all the nodes in HDFS cluster:"); //print info
 
        for(int i=0; i < dataNodeStats.length; i++)
            names[i] = dataNodeStats[i].getHostName();
            System.out.println(names[i]); //print info
 
        
    
     
    //get the locations of a file in HDFS
    private static void getFileLocation(Configuration conf)throws Exception
        FileSystem fs = FileSystem.get(conf);
        Path f = new Path("/user/cluster/dfs.txt");
        FileStatus filestatus = fs.getFileStatus(f);
        BlockLocation[] blkLocations = fs.getFileBlockLocations(filestatus,0,filestatus.getLen());
        int blkCount = blkLocations.length;
        for(int i=0; i < blkCount; i++)
            String[] hosts = blkLocations[i].getHosts();
            //Do sth with the block hosts
 
            System.out.println(hosts);
        
    
     
     //get HDFS file last modification time
    private static void getModificationTime(Configuration conf)throws Exception
        FileSystem fs = FileSystem.get(conf);
        Path f = new Path("/user/cluster/dfs.txt");
        FileStatus filestatus = fs.getFileStatus(f);
         
        long modificationTime = filestatus.getModificationTime(); // measured in milliseconds since the epoch
 
        Date d = new Date(modificationTime);
        System.out.println(d);
    
     

06Hadoop框架HDFS读写流程

文章目录

• HDFS读写流程
• • FileSystem
  • • fileSystem是使用java代码操作hdfs的api接口
    • 文件操作
    • 目录操作
  • Client读取多副本文件过程
  • Remote Procedure Call
  • HDFS中的block、packet、chunk
  • 数据存储：读文件
  • 读文件流程分析
  • 数据存储：写文件
  • 写文件流程分析
  • hdfs的HA （高可用）
  • HA的failover原理
  • HDFS的federation
  • • federation架构图-1
    • federation架构图-2
  • hdfs常见问题

HDFS读写流程

FileSystem

fileSystem是使用java代码操作hdfs的api接口

文件操作

• create写文件
• open读取文件
• delete删除文件

目录操作

• mkdirs创建目录
• delete删除文件或目录
• listStatus列出目录的内容
• getFileStatus 显示文件系统的目录和文件的元数据信息
• getFileBlockLocations显示文件存储位置

Client读取多副本文件过程

Remote Procedure Call

• RPC——远程过程调用协议，它是一种通过网络从远程计算机程序上请求服务，而不需要了解底层网络技术的协议。RPC协议假定某些传输协议的存在，如TCP或UDP，为通信程序之间携带信息数据。在OSI网络通信模型中，RPC跨越了传输层和应用层。RPC使得开发包括网络分布式多程序在内的应用程序更加容易。
• RPC采用客户机(client)/服务器(server)模式。请求程序就是一个客户机，而服务提供程序就是一个服务器。首先，客户机调用进程发送一个有进程参数的调用信息到服务进程，然后等待应答信息。在服务器端，进程保持睡眠状态直到调用信息的到达为止。当一个调用信息到达，服务器获得进程参数，计算结果，发送答复信息，然后等待下一个调用信息，最后，客户端调用进程接收答复信息，获得进程结果，然后调用执行继续进行。
• hadoop的整个体系结构就是构建在RPC之上的(见org.apache.hadoop.ipc)。

HDFS中的block、packet、chunk

• 1、Block

  这个大家应该知道，文件上传前需要分块，这个块就是block，一般为128MB，当然你可以去改，不顾不推荐。因为块太小：寻址时间占比过高。块太大：Map任务数太少，作业执行速度变慢。它是最大的一个单位。

• 2、Packet

  packet是第二大的单位，它是client端向DataNode，或DataNode的PipLine之间传数据的基本单位，默认64KB。

• 3、Chunk

  chunk是最小的单位，它是client向DataNode，或DataNode的PipLine之间进行数据校验的基本单位，默认512Byte，因为用作校验，故每个chunk需要带有4Byte的校验位。所以实际每个chunk写入packet的大小为516Byte。由此可见真实数据与校验值数据的比值约为128 : 1。（即64*1024 / 512）
  例如，在client端向DataNode传数据的时候，HDFSOutputStream会有一个chunk buff，写满一个chunk后，会计算校验和并写入当前的chunk。之后再把带有校验和的chunk写入packet，当一个packet写满后，packet会进入dataQueue队列，其他的DataNode就是从这个dataQueue获取client端上传的数据并存储的。同时一个DataNode成功存储一个packet后之后会返回一个ack packet，放入ack Queue中。

数据存储：读文件

• 1、client访问NameNode，查询元数据信息，获得这个文件的数据块位置列表，返回输入流对象。
• 2、就近挑选一台datanode服务器，请求建立输入流。
• 3、DataNode向输入流中中写数据，以packet为单位来校验。
• 4、关闭输入流

读文件流程分析

• 1、首先调用FileSystem对象的open方法，其实是一个DistributedFileSystem的实例。
• 2、DistributedFileSystem通过rpc获得文件的第一个block的locations，同一block按照副本数会返回多个locations，这些locations按照hadoop拓扑结构排序，距离客户端近的排在前面。
• 3、前两步会返回一个FSDataInputStream对象，该对象会被封装成DFSInputStream对象，DFSInputStream可以方便的管理datanode和namenode数据流。客户端调用read方法，DFSInputStream最会找出离客户端最近的datanode并连接。
• 4、数据从datanode源源不断的流向客户端。
• 5、如果第一块的数据读完了，就会关闭指向第一块的datanode连接，接着读取下一块。这些操作对客户端来说是透明的，客户端的角度看来只是读一个持续不断的流。
• 6、如果第一批block都读完了，DFSInputStream就会去namenode拿下一批blocks的location，然后继续读，如果所有的块都读完，这时就会关闭掉所有的流。
• 7、如果在读数据的时候，DFSInputStream和datanode的通讯发生异常，就会尝试正在读的block的排第二近的datanode,并且会记录哪个datanode发生错误，剩余的blocks读的时候就会直接跳过该datanode。DFSInputStream也会检查block数据校验和，如果发现一个坏的block,就会先报告到namenode节点，然后DFSInputStream在其他的datanode上读该block的镜像。
• 8、该设计的方向就是客户端直接连接datanode来检索数据并且namenode来负责为每一个block提供最优的datanode，namenode仅仅处理block location的请求，这些信息都加载在namenode的内存中，hdfs通过datanode集群可以承受大量客户端的并发访问。

数据存储：写文件

• 1、客户端向NameNode发出写文件请求。
• 2、检查是否已存在文件、检查权限。若通过检查，直接先将操作写入EditLog，并返回输出流对象。
• 3、client端按128MB的块切分文件。
• 4、client将NameNode返回的分配的可写的DataNode列表和Data数据一同发送给最近的第一个DataNode节点，此后client端和NameNode分配的多个DataNode构成pipeline管道，client端向输出流对象中写数据。client每向第一个DataNode写入一个packet，这个packet便会直接在pipeline里传给第二个、第三个…DataNode。
• 5、每个DataNode写完一个块后，会返回确认信息。
• 6、写完数据，关闭输输出流。
• 7、发送完成信号给NameNode。

注：发送完成信号的时机取决于集群是强一致性还是最终一致性，强一致性则需要所有DataNode写完后才向NameNode汇报。
最终一致性则其中任意一个DataNode写完后就能单独向NameNode汇报，HDFS一般情况下都是强调强一致性.

写文件流程分析

• 1、客户端通过调用DistributedFileSystem的create方法创建新文件。
• 2、DistributedFileSystem通过RPC调用namenode去创建一个没有blocks关联的新文件，创建前，namenode会做各种校验，比如文件是否存在，客户端有无权限去创建等。如果校验通过，namenode就会记录下新文件，否则就会抛出IO异常。
• 3、前两步结束后会返回FSDataOutputStream的对象，与读文件的时候相似，FSDataOutputStream被封装成DFSOutputStream.DFSOutputStream可以协调namenode和datanode。客户端开始写数据到DFSOutputStream,DFSOutputStream会把数据切成一个个小packet，然后排成队列data quene。
• 4、DataStreamer会去处理接受data queue，他先问询namenode这个新的block最适合存储的在哪几个datanode里，比如副本数是3，那么就找到3个最适合的datanode，把他们排成一个pipeline.DataStreamer把packet按队列输出到管道的第一个datanode中，第一个datanode又把packet输出到第二个datanode中，以此类推。
• 5、DFSOutputStream还有一个对列叫ack queue，也是由packet组成，等待datanode的收到响应，当pipeline中的所有datanode都表示已经收到的时候，这时akc queue才会把对应的packet包移除掉。
  • 如果在写的过程中某个datanode发生错误，会采取以下几步：
  • 1）、pipeline被关闭掉；
  • 2）、为了防止丢包 ack queue里的packet会同步到data queue里；
  • 3）、把产生错误的datanode上当前在写但未完成的block删掉；
  • 4）、block剩下的部分被写到剩下的两个正常的datanode中；
  • 5）、namenode找到另外的datanode去创建这个块的复制。
  • 当然，这些操作对客户端来说是无感知的。
• 6、客户端完成写数据后调用close方法关闭写入流。
• 7、DataStreamer把剩余得包都刷到pipeline里然后等待ack信息，收到最后一个ack后，通知datanode把文件标示为已完成。

hdfs的HA （高可用）

zk：指zookeeper，负责协调，监控

HA的failover原理

• HDFS的HA，指的是在一个集群中存在两个NameNode，分别运行在独立的物理节点上。在任何时间点，只有一个NameNodes是处于Active状态，另一种是在Standby状态。 Active NameNode负责所有的客户端的操作，而Standby NameNode用来同步Active NameNode的状态信息，以提供快速的故障恢复能力。
• 为了保证Active NN与Standby NN节点状态同步，即元数据保持一致。除了DataNode需要向两个NN发送block位置信息外，还构建了一组独立的守护进程”JournalNodes”,用来同步Edits信息。当Active NN执行任何有关命名空间的修改，它需要持久化到一半以上的JournalNodes上。而Standby NN负责观察JNs的变化，读取从Active NN发送过来的Edits信息，并更新自己内部的命名空间。一旦ActiveNN遇到错误，Standby NN需要保证从JNs中读出了全部的Edits，然后切换成Active状态。

使用HA的时候，不能启动SecondaryNameNode，会出错。

HDFS的federation

• HDFS Federation设计可解决单一命名空间存在的以下几个问题：
  • 1、 HDFS集群扩展性。多个NameNode分管一部分目录，使得一个集群可以扩展到更多节点，不再像1.0中那样由于内存的限制制约文件存储数目。
  • 2、性能更高效。多个NameNode管理不同的数据，且同时对外提供服务，将为用户提供更高的读写吞吐率。
  • 3、良好的隔离性。用户可根据需要将不同业务数据交由不同NameNode管理，这样不同业务之间影响很小。

federation架构图-1

federation架构图-2

hdfs常见问题

• 集群启动失败
  • 查看日志
• hdfs文件无法操作
  • 一般是因为处于安全模式下
  • 离开安全模式：hdfs dfsadmin -safemode leave
  • 进入安全模式：hdfs dfsadmin -safemode enter
  • 查看安全模式：hdfs dfsadmin -safemode get

---

到底啦！觉得靓仔的文章对你学习Hadoop有所帮助的话，一波三连吧！q(≧▽≦q)