Hadoop中的Java接口---读取数据

从Haddoop URL读取数据

---

要从Hadoop文件系统读取文件，最简单的方法使用java.net.URL对象打开数据流，从中读取数据。

InputStream in = null;
try{
    in = new URL("hdfs://host/path").openStream();
}finally{
    IOUtils.closeStream(in);
}

让Java程序能够识别Hadoop的hdfs URL还需要通过FsUrlStreamHandlerFactory实例调用java.net.URL的setURLStreamHandlerFactory方法。每个Java虚拟机只能调用一次这个方法。

public class URLCat{
    static {
        URL.setStreamHandlerFactory(new FsUrlStreamHandlerFactory());
    }

    public static void main(String args[])throws Exception{
        InputStream in = null;
        try{
            in = new URL(args[0]).openStream();
            IOUtils.copyBytes(in, System.out, 4096, false);
        }finally{
            IOUtils.closeStream(in);
        }
    }
}

我们使用Hadoop提供的IOUtils类。copyBytes方法将InputStream中数据复制到系统标准输出中，即重定向输出到命令行。cpoyBytes方法的最后两个参数，第一个设置用于复制的缓冲区大小，第二个设置复制结束后是否关闭数据流。

通过FileSystemAPI读取数据

---

Hadoop文件系统中通过Hadoop Path对象来代表文件。可以将路径视为一个Hadoop文件系统URI，如hdfs://localhost/user/tom/quangle.txt
FileSystem是一个通用的文件API。获取FileStream实例有下面几个静态工程方法

public static FileSystem get(Configuration conf)throws IOException
public static FileSystem get(URI uri, Configuration conf)throws IOException
public static FileSystem get(URI uri, Configuration conf, String user)throws IOException

Configuration对象封装了客户端或服务器的配置，通过设置配置文件读取类路径来实现(如 conf/core-site.xml)

• 第一个方法返回的是默认文件系统（在 conf/core-site.xml中指定的，如果没有指定，则使用默认的本地文件系统）
• 第二个方法通过给定的URI方案和权限来确定要使用的文件系统，如果给定URI中没有指定方案，则返回默认文件系统
• 第三个方法作为给定用户来访问文件系统，对安全来说是至关重要的

有了FileSystem实例之后，我们调用open()函数来获取文件的输入流。第一个方法使用默认的缓冲区大小4KB

public FSDataInputStream open(Path f) throws IOException
public abstract FSDataInputStream open(Path f, int bufferSize)throws IOException

我们重写前面的例子：

public class FileSystemCat{
    public static void main(String args[])throws Exception{
        String uri = args[0];
        Configuration conf = new Configuration();
        FileSystem fs = FileSystem.get(URI.create(uri), conf);
        InputStream in = null;
        try{
            in = fs.open(new Path(uri));
            IOUtils.copyBytes(in, System.out, 4096, false);
        }finally{
            IOUtils.closeStream(in);
        }
    }
}

FSDateInputStream对象

---

FileSystem对象中的open()方法返回的是FSDataInputStream对象，而不是标准的java.io类对象。这个类是继承了java.io.DataInputStream接口的一个特殊类，并支持随机访问，由此可以从流的任意位置读取数据

public class FSDataInputStream extends DataInputStream 
    implements Seekable, PositionedReadable

Seekable接口支持在文件中找到指定位置，并提供一个查询当前位置相对于文件起始位置偏移量(getPos())的查询方法

public interface Seekable{
    void seek(long pos) throws IOException;
    long getPos() throws IOException;
    boolean seekToNewSource(long targetPos)throws IOException
}

seek()可以移动到文件中任意一个绝对位置，java.io.InputStream的skip()则只能相对于当前位置定位到另一个位置。seek()方法是一个相对高开销的操作，需要慎重使用。

public interface PositionReadable{
    public int read(long position, byte[] buffer, int offset, int length) throws IOException
    public void readFully(long position, byte[] buffer, int offset, int length) throws IOException
    public void readFully(long postion, byte[] buffer)throws IOException

FSDataInputStream类也实现了PositionReadable接口，从一个指定偏移量出读取文件的一部分。

• read()方法从文件的指定position处读取至多为length字节的数据并出入缓冲区buffer的指定偏离量offset处。返回值是实际读到的字节数:调用者需要检查这个值，它有可能小于指定的length长度
• readFully()方法将指定length长度的字节数数据读取到buffer中，除非已经读取到文件末尾，这种情况下将跑出EOFException异常