（一）HDFS的认识及使用Java对其的简单操作

一、HDFS概述

HDFS(Hadoop distributed File System)，它是一个文件系统，用于存储文件，通过目录树来定位文件；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。
使用场景：适合一次写入，多次读写的场景，且不支持文件的修改。适合用来做数据分析，并不适合用来做网盘应用。

1.优点

1. 高容错性
   （1）数据自动保存多个副本。它通过增加副本的形式，提高容错性。
   （2）某一个副本丢失以后，它可以自动恢复。
2. 适合处理大数据
   （1）数据规模：能够处理数据规模达到GB、TB、甚至PB级别的数据；
   （2）文件规模：能够处理百万规模以上的文件数量，数量相当之大。
3. 可构建在廉价机器上，通过多副本机制，提高可靠性。

2.缺点

1. 不适合低延时数据访问，比如毫秒级的存储数据，是做不到的。
2. 无法高效的对大量小文件进行存储。
   （1）存储大量小文件的话，它会占用NameNode大量的内存来存储文件目录和块信息。这样是不可取的，因为NameNode的内存总是有限的；
   （2）小文件存储的寻址时间会超过读取时间，它违反了HDFS的设计目标。
3. 不支持并发写入、文件随机修改。
   （1）一个文件只能有一个写，不允许多个线程同时写；
   （2）仅支持数据append（追加），不支持文件的随时修改。

3.HDFS组成架构

先通过一张图了解一下：

1. NameNode（nn）：就是Master，它是一个主管、管理者。
   （1）管理HDFS的名称空间；
   （2）配置副本策略；
   （3）管理数据库（Block）映射信息；
   （4）处理客户端读写请求。
2. DataNode：就是Slave。NameNode下达命令，DataNode执行实际的操作。
   （1）存储实际的数据块；
   （2）执行数据块的读/写操作。
3. Secondary NameNode：并非NameNode的热备份。当NameNode挂掉的时候，它并不能马上替换NameNode并提供服务。
   （1）辅助NameNode，分担其工作量，比如定期合并Fsimage和Edits，并推送给NameNode；
   （2）在紧急情况下，可辅助恢复NameNode。

4.HDFS文件块大小

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。

【问题：】为什么块的大小不能设置太小，也不能设置太大？
（1）HDFS的块设置太小，会增加寻址时间，程序一直在找块的开始位置；
（2）如果块设置的太大，从磁盘传输数据的时间会明显大于定位这个块开始所需的时间。导致程序在处理这块数据时，会非常慢。

总结：HDFS块的大小设置主要取决于磁盘传输速率。

二、HDFS的Shell操作

1. 基本语法：（有两个）

bin/hadoop fs 具体命令 或者 bin/hdfs dfs 具体命令
dfs 是 fs 的实现类。

2. 常用命令实操：
   启动Hadoop集群：

[fseast@hadoop102 hadoop-2.7.2]$ sbin/ start-dfs.sh
[fseast@hadoop103 hadoop-2.7.2]$ sbin/start-yarn.sh

（1）-help：输出这个命令参数

[fseast@hadoop102 hadoop-2.7.2]$ hdfs dfs -help rm

（2）-ls：显示目录信息

[fseast@hadoop102 hadoop-2.7.2]$ hdfs dfs -ls /

（3）-mkdir：在HDFS上创建目录

[fseast@hadoop102 hadoop-2.7.2]$ hdfs dfs -mkdir -p /user/fseast/

（4）-moveFromLocal：从本地剪切粘贴到HDFS

[fseast@hadoop102 hadoop-2.7.2]$ vim testmoveFrom.txt 
[fseast@hadoop102 hadoop-2.7.2]$ hdfs dfs -moveFromLocal ./testmoveFrom.txt /user/fseast/

（5）-appendToFile：追加一个文件到已经存在的文件末尾

[fseast@hadoop102 hadoop-2.7.2]$ hdfs dfs -appendToFile NOTICE.txt /user/fseast/testmoveFrom.txt

（6）-cat：显示文件内容

[fseast@hadoop102 hadoop-2.7.2]$ hdfs dfs -cat /user/fseast/testmoveFrom.txt

（7）-chgrp 、-chmod、-chown：Linux文件系统中的用法一样，修改文件所属权限

（8）-copyFromLocal：从本地文件系统中拷贝文件到HDFS路径去

[fseast@hadoop102 hadoop-2.7.2]$ hdfs dfs -copyFromLocal test001.txt /

（9）-copyToLocal：从HDFS拷贝到本地

[fseast@hadoop102 hadoop-2.7.2]$ rm -rf test001.txt 
[fseast@hadoop102 hadoop-2.7.2]$ hdfs dfs -copyToLocal /test001.txt

（10）-cp ：从HDFS的一个路径拷贝到HDFS的另一个路径

（11）-mv：在HDFS目录中移动文件

（12）-get：等同于copyToLocal，就是从HDFS下载文件到本地

（13）-getmerge：合并下载多个文件，比如HDFS的目录/user/fseast/test 下有多个文件：log.1 , log.2 , log.3 …

（14）-put：等同于copyFromLocal

（15）-tail：显示一个文件的末尾

（16）-rm：删除文件或文件夹

（17）-rmdir：删除空目录

（18）-du统计文件夹的大小信息

（19）-setrep：设置HDFS中文件的副本数量

三、HDFS客户端操作

1.环境准备

1. 创建Maven工程并导入相应得的依赖坐标

<dependencies>
		<dependency>
			<groupId>junitgroupId>
			<artifactId>junitartifactId>
			<version>RELEASEversion>
		dependency>
		<dependency>
			<groupId>org.apache.logging.log4jgroupId>
			<artifactId>log4j-coreartifactId>
			<version>2.8.2version>
		dependency>
		<dependency>
			<groupId>org.apache.hadoopgroupId>
			<artifactId>hadoop-commonartifactId>
			<version>2.7.2version>
		dependency>
		<dependency>
			<groupId>org.apache.hadoopgroupId>
			<artifactId>hadoop-clientartifactId>
			<version>2.7.2version>
		dependency>
		<dependency>
			<groupId>org.apache.hadoopgroupId>
			<artifactId>hadoop-hdfsartifactId>
			<version>2.7.2version>
		dependency>
		<dependency>
			<groupId>jdk.toolsgroupId>
			<artifactId>jdk.toolsartifactId>
			<version>1.8version>
			<scope>systemscope>
			<systemPath>${JAVA_HOME}/lib/tools.jarsystemPath>
		dependency>
dependencies>

2. 需要在项目的src/main/resources目录下，新建一个文件，命名为log4j.properties，并在文件中填入（为了查看日志）：

log4j.rootLogger=INFO, stdout
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spring.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

3. 编写一个类，测试是否连接成功

   /**
     * 连通客户端与HDFS的连接
     *
     * @throws Exception
     */
    @Test
    public void testClientConnectHDFS() throws Exception {
        Configuration conf = new Configuration();
        FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:9000"), conf, "fseast");


        //在HDFS上创建一个目录
        fs.mkdirs(new Path("/HdfsDemo02/test01"));

        //关闭资源
        fs.close();
    }

2.HDFS的API操作

1. HDFS文件上传（参数优先级）

  /**
     * 测试1：上传文件到HDFS
     */
    @Test
    public void testCopyFromLocal() throws Exception {
        //1.获取FileSystem对象
        Configuration configuration = new Configuration();
        //可以设置多少个副本，优先级最高
        configuration.set("dfs.replication", "2");
        FileSystem fileSystem = FileSystem.get(new URI("hdfs://hadoop102:9000"), configuration, "fseast");

        //2.操作
        fileSystem.copyFromLocalFile(new Path("e:/file/test/fsdong.txt"), new Path("/HdfsDemo02/test01"));

        //3. 关闭资源
        fileSystem.close();

    }

可以将hdfs-site.xml拷贝到项目的根目录下。
参数优先级：
参数优先级排序：
（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

2. HDFS文件下载

@Test
public void testCopyToLocalFile() throws IOException, InterruptedException, URISyntaxException{

		// 1 获取文件系统
		Configuration configuration = new Configuration();
		FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:9000"), configuration, "fseast");
		
		// 2 执行下载操作
		// boolean delSrc 指是否将原文件删除
		// Path src 指要下载的文件路径
		// Path dst 指将文件下载到的路径
		// boolean useRawLocalFileSystem 是否开启文件校验
		fs.copyToLocalFile(false, new Path("/HdfsDemo02/test01/wc.input"), new Path("e:/file/test/"), true);
		
		// 3 关闭资源
		fs.close();
}

3. HDFS文件夹删除

@Test
public void testDelete() throws IOException, InterruptedException, URISyntaxException{

	// 1 获取文件系统
	Configuration configuration = new Configuration();
	FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:9000"), configuration, "fseast");
		
	// 2 执行删除
	fs.delete(new Path("/HdfsDemo01/"), true);
		
	// 3 关闭资源
	fs.close();
}

4. HDFS文件名更改

@Test
public void testRename() throws IOException, InterruptedException, URISyntaxException{

	// 1 获取文件系统
	Configuration configuration = new Configuration();
	FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:9000"), configuration, "fseast"); 
		
	// 2 修改文件名称
	fs.rename(new Path("/HdfsDemo02/test01/fsdong.txt"), new Path("/fseast.txt"));
		
	// 3 关闭资源
	fs.close();
}

5. HDFS 文件详情查看
   查看文件名称、权限、长度、块信息

@Test
public void testListFiles() throws IOException, InterruptedException, URISyntaxException{

	// 1获取文件系统
	Configuration configuration = new Configuration();
	FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:9000"), configuration, "fseast"); 
		
	// 2 获取文件详情
	RemoteIterator<LocatedFileStatus> listFiles = fs.listFiles(new Path("/"), true);
		
	while(listFiles.hasNext()){
		LocatedFileStatus status = listFiles.next();
			
		// 输出详情
		// 文件名称
		System.out.println(status.getPath().getName());
		// 长度
		System.out.println(status.getLen());
		// 权限
		System.out.println(status.getPermission());
		// 分组
		System.out.println(status.getGroup());
			
		// 获取存储的块信息
		BlockLocation[] blockLocations = status.getBlockLocations();
			
		for (BlockLocation blockLocation : blockLocations) {
				
			// 获取块存储的主机节点
			String[] hosts = blockLocation.getHosts();
				
			for (String host : hosts) {
				System.out.println(host);
			}
		}
			
	}

// 3 关闭资源
fs.close();
}

6. HDFS文件和文件夹判断

@Test
public void testListStatus() throws IOException, InterruptedException, URISyntaxException{
		
	// 1 获取文件配置信息
	Configuration configuration = new Configuration();
	FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:9000"), configuration, "fseast");
		
	// 2 判断是文件还是文件夹
	FileStatus[] listStatus = fs.listStatus(new Path("/"));
		
	for (FileStatus fileStatus : listStatus) {
		
		// 如果是文件
		if (fileStatus.isFile()) {
				System.out.println("f:"+fileStatus.getPath().getName());
			}else {
				System.out.println("d:"+fileStatus.getPath().getName());
			}
		}
		
	// 3 关闭资源
	fs.close();
}

传入一个路径，递归将该路径下的所有的文件还有目录打印到控制台

	@Test
	public void testListStatus() throws Exception {
		conf = new Configuration();
		fs  = FileSystem.get(new URI(uri), conf,user);
		printFileOrDir("/", fs);
		
	}
	
	/**
	 * 传入一个路径 ，递归将该路径下的所有的文件还有目录打印到控制台
	 */
	public void printFileOrDir(String path , FileSystem fs) throws Exception {
		
		FileStatus[] listStatus = fs.listStatus(new Path(path));
		
		for (FileStatus fileStatus : listStatus) {
			//判断是文件还是目录
			if(fileStatus.isFile()) {
				System.out.println("File:" + path + "/" + fileStatus.getPath().getName());
			}else {
				// path:   hdfs://hadoop102:9000/0508
				String currentPath = fileStatus.getPath().toString().substring("hdfs://hadoop102:9000".length());
				
				//打印当前的目录
				System.out.println("Dir:" + currentPath);
				
				//继续迭代当前目录下的子目录及文件
				printFileOrDir(currentPath, fs);
				fs.close();
			}
			
		}
		
	}

3.HDFS的I/O流操作

1. HDFS文件上传
需求：把本地E盘上 test02.txt 文件上传到HDFS根目录

@Test
public void putFileToHDFS() throws IOException, InterruptedException, URISyntaxException {

	// 1 获取文件系统
	Configuration configuration = new Configuration();
	FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:9000"), configuration, "fseast");

	// 2 创建输入流
	FileInputStream fis = new FileInputStream(new File("e:/test02.txt"));

	// 3 获取输出流
	FSDataOutputStream fos = fs.create(new Path("/test02.txt"));

	// 4 流对拷
	IOUtils.copyBytes(fis, fos, configuration);

	// 5 关闭资源
	IOUtils.closeStream(fos);
	IOUtils.closeStream(fis);
    fs.close();
}

2. HDFS文件下载
需求：从HDFS上下载test02.txt文件到本地e盘上

// 文件下载
@Test
public void getFileFromHDFS() throws IOException, InterruptedException, URISyntaxException{

	// 1 获取文件系统
	Configuration configuration = new Configuration();
	FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:9000"), configuration, "fseast");
		
	// 2 获取输入流
	FSDataInputStream fis = fs.open(new Path("/text02.txt"));
		
	// 3 获取输出流
	FileOutputStream fos = new FileOutputStream(new File("e:/test02..txt"));
		
	// 4 流的对拷
	IOUtils.copyBytes(fis, fos, configuration);
		
	// 5 关闭资源
	IOUtils.closeStream(fos);
	IOUtils.closeStream(fis);
	fs.close();
}

3. 定位文件读取
需求：分块读取HDFS上的大文件，比如根目录下的/hadoop-2.7.2.tar.gz（188M，大于128M所以上传到集群默认分成两块进行存储）
（1）下载第一块：

@Test
public void readFileSeek1() throws IOException, InterruptedException, URISyntaxException{

	// 1 获取文件系统
	Configuration configuration = new Configuration();
	FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:9000"), configuration, "fseast");
		
	// 2 获取输入流
	FSDataInputStream fis = fs.open(new Path("/hadoop-2.7.2.tar.gz"));
		
	// 3 创建输出流
	FileOutputStream fos = new FileOutputStream(new File("e:/hadoop-2.7.2.tar.gz.part1"));
		
	// 4 流的拷贝
	byte[] buf = new byte[1024];
		
	for(int i =0 ; i < 1024 * 128; i++){
		fis.read(buf);
		fos.write(buf);
	}
		
	// 5关闭资源
	IOUtils.closeStream(fis);
	IOUtils.closeStream(fos);
fs.close();
}

（2）下载第二块

@Test
public void readFileSeek2() throws IOException, InterruptedException, URISyntaxException{

	// 1 获取文件系统
	Configuration configuration = new Configuration();
	FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:9000"), configuration, "fseast");
		
	// 2 打开输入流
	FSDataInputStream fis = fs.open(new Path("/hadoop-2.7.2.tar.gz"));
		
	// 3 定位输入数据位置
	fis.seek(1024*1024*128);
		
	// 4 创建输出流
	FileOutputStream fos = new FileOutputStream(new File("e:/hadoop-2.7.2.tar.gz.part2"));
		
	// 5 流的对拷
	IOUtils.copyBytes(fis, fos, configuration);
		
	// 6 关闭资源
	IOUtils.closeStream(fis);
	IOUtils.closeStream(fos);
}

（3）将下载到的两块文件合并查看是否完整 在Windows命令窗口中进入到目录E:\，然后执行如下命令，对数据进行合并：

type hadoop-2.7.2.tar.gz.part2 >> hadoop-2.7.2.tar.gz.part1

合并完成后，将hadoop-2.7.2.tar.gz.part1 重新命名为hadoop-2.7.2.tar.gz。解压发现该包是完整的。

四、HDFS的数据流

1.HDFS写数据流程

2.1剖析文件写入

步骤分析：

（1）客户端通过 Distributed FileSystem 模块向NameNode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返回是否可以上传。
（3）客户端请求第一个 Block 上传到那几个 DataNode 服务器上。
（4）NameNode 返回3个 DataNode节点（默认备份3份的情况下），分别为dn1，dn2，dn3,。
（5）客户端通过 FSDataOutputStream 模块请求dn1上传数据，dn1 收到请求会继续调用dn2，然后dn2调用dn3，将这个通信管道建立完成。
（6）通道建立完成后，dn3应答dn2，dn2会答dn1，最后dn1应答客户端。
（7）客户端开始往dn1 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，dn1收到一个Packet就会传给dn2，dn2传给dn3；dn1每传一个packet会放入一个应答队列等待应答。（DataNode收到Packet会先存到本地磁盘，再把缓存中的Packet传到下一个DataNode）。全部存完从dn3开始往回应答。
（8）当一个Block传输完成之后，客户端再次请求NameNode上传第二个Block到服务器。重复执行3-7的步骤。
（9）传输完成以后，客户端会告诉NameNode数据传输完成。

2.2网络拓扑 - 节点距离计算

在HDFS写数据的过程中，NameNode会选择距离带上传数据最近距离的DataNode接受数据。
最近距离如何计算
节点距离：两个节点到达最近的共同祖先的距离总和。看图更清晰：
假设有数据中心d1机架r1中的节点n1.该节点可以表示为/d1/r1/n1。利用这种标记，这里给出四种距离描述。

2.3Hadoop2.7.2 副本节点选择

默认三个副本情况下的副本节点选择：
第一个副本在Client所处的节点上。如果客户端在集群外，随机选一个。
第二个副本和第一个副本位于相同机架，随机节点。
第三个副本位于不同机架，随机节点。

2.HDFS读数据流程

步骤分析:
（1）客户端通过 Distributed FileSystem 向 NameNode 请求下载文件，NameNode 通过查找元数据，找到文件块所在的DataNode地址。
（2）挑选一台DataNode（就近原则，然后随机）服务器，请求读取数据。
（3）DataNode开始传输数据给客户端（从磁盘读取数据输入流，以Packet）为单位来做校验。
（4）客户端以Packet为单位接收，先在本地缓存，然后写入目标文件。
（5）然后接着读取 第二个Block。

下一篇：（二）HDFS——节点分析及新特性