hadoop深入研究:(二)——java访问hdfs

读数据

使用hadoop url读取

比较简单的读取hdfs数据的方法就是通过java.net.URL打开一个流，不过在这之前先要预先调用它的setURLStreamHandlerFactory方法设置为FsUrlStreamHandlerFactory（由此工厂取解析hdfs协议），这个方法只能调用一次，所以要写在静态块中。然后调用IOUtils类的copyBytes将hdfs数据流拷贝到标准输出流System.out中，copyBytes前两个参数好理解，一个输入，一个输出，第三个是缓存大小，第四个指定拷贝完毕后是否关闭流。我们这里要设置为false，标准输出流不关闭，我们要手动关闭输入流。

 package com.sweetop.styhadoop;

 import org.apache.hadoop.fs.FsUrlStreamHandlerFactory;
 import org.apache.hadoop.io.IOUtils;

 import java.io.InputStream;
 import java.net.URL;

 /**
  * Created with IntelliJ IDEA.
  * User: lastsweetop
  * Date: 13-5-31
  * Time: 上午10:16
  * To change this template use File | Settings | File Templates.
  */
 public class URLCat {

     static {
         URL.setURLStreamHandlerFactory(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);
         }
     }
 }

使用FileSystem API读取数据

首先是实例化FileSystem对象，通过FileSystem类的get方法，这里要传入一个java.net.URL和一个配置Configuration。

然后FileSystem可以通过一个Path对象打开一个流，之后的操作和上面的例子一样

 package com.sweetop.styhadoop;

 import org.apache.hadoop.conf.Configuration;
 import org.apache.hadoop.fs.FileSystem;
 import org.apache.hadoop.fs.Path;
 import org.apache.hadoop.io.IOUtils;

 import java.io.InputStream;
 import java.net.URI;

 /**
  * Created with IntelliJ IDEA.
  * User: lastsweetop
  * Date: 13-5-31
  * Time: 上午11:24
  * To change this template use File | Settings | File Templates.
  */
 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);
         }
     }
 }

FSDataInputStream

通过FileSystem打开流返回的对象是个FSDataInputStream对象，该类实现了Seekable接口，

 public interface Seekable {
     void seek(long l) throws java.io.IOException;
     long getPos() throws java.io.IOException;
     boolean seekToNewSource(long l) throws java.io.IOException;
 }

seek方法可跳到文件中的任意位置，我们这里跳到文件的初始位置再重新读一次

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

FSDataInputStream还实现了PositionedReadable接口，

 public interface PositionedReadable {
     int read(long l, byte[] bytes, int i, int i1) throws java.io.IOException;
     void readFully(long l, byte[] bytes, int i, int i1) throws java.io.IOException;
     void readFully(long l, byte[] bytes) throws java.io.IOException;
 }

可以在任意位置（第一个参数），偏移量（第三个参数），长度（第四个参数），到数组中（第二个参数）
这里就不实现了，大家可以试下

写数据

FileSystem类有很多种创建文件的方法，最简单的一种是

public FSDataOutputStream create(Path f) throws IOException

它还有很多重载方法，可以指定是否强制覆盖已存在的文件，文件的重复因子，写缓存的大小，文件的块大小，文件的权限等。

还可以指定一个回调接口：

 public interface Progressable {
     void progress();
 }

和普通文件系统一样，也支持apend操作，写日志时最常用

public FSDataOutputStream append(Path f) throws IOException

但并非所有hadoop文件系统都支持append，hdfs支持，s3就不支持。

以下是个拷贝本地文件到hdfs的例子

 package com.sweetop.styhadoop;

 import org.apache.hadoop.conf.Configuration;
 import org.apache.hadoop.fs.FileSystem;
 import org.apache.hadoop.fs.Path;
 import org.apache.hadoop.io.IOUtils;
 import org.apache.hadoop.util.Progressable;

 import java.io.BufferedInputStream;
 import java.io.FileInputStream;
 import java.io.InputStream;
 import java.io.OutputStream;
 import java.net.URI;

 /**
  * Created with IntelliJ IDEA.
  * User: lastsweetop
  * Date: 13-6-2
  * Time: 下午4:54
  * To change this template use File | Settings | File Templates.
  */
 public class FileCopyWithProgress {
     public static void main(String[] args) throws Exception {
         String localSrc = args[0];
         String dst = args[1];

         InputStream in = new BufferedInputStream(new FileInputStream(localSrc));

         Configuration conf = new Configuration();
         FileSystem fs = FileSystem.get(URI.create(dst), conf);
         OutputStream out = fs.create(new Path(dst), new Progressable() {
             @Override
             public void progress() {
                 System.out.print(".");
             }
         });

         IOUtils.copyBytes(in, out, 4096, true);

目录

创建一个目录的方法：

public boolean mkdirs(Path f) throws IOException

mkdirs方法会自动创建所有不存在的父目录

检索

检索一个目录，查看目录和文件的信息在任何操作系统这些都是不可或缺的功能，hdfs也不例外，但也有一些特别的地方：

FileStatus

FileStatus 封装了hdfs文件和目录的元数据，包括文件的长度，块大小，重复数，修改时间，所有者，权限等信息，FileSystem的getFileStatus可以获得这些信息，

 package com.sweetop.styhadoop;

 import org.apache.hadoop.conf.Configuration;
 import org.apache.hadoop.fs.FileStatus;
 import org.apache.hadoop.fs.FileSystem;
 import org.apache.hadoop.fs.Path;

 import java.io.IOException;
 import java.net.URI;

 /**
  * Created with IntelliJ IDEA.
  * User: lastsweetop
  * Date: 13-6-2
  * Time: 下午8:58
  * To change this template use File | Settings | File Templates.
  */
 public class ShowFileStatus {

     public static void main(String[] args) throws IOException {
         Path path = new Path(args[0]);
         Configuration conf = new Configuration();
         FileSystem fs = FileSystem.get(URI.create(args[0]), conf);
         FileStatus status = fs.getFileStatus(path);
         System.out.println("path = " + status.getPath());
         System.out.println("owner = " + status.getOwner());
         System.out.println("block size = " + status.getBlockSize());
         System.out.println("permission = " + status.getPermission());
         System.out.println("replication = " + status.getReplication());
     }
 }

Listing files

有时候你可能会需要找一组符合要求的文件，那么下面的示例就可以帮到你，通过FileSystem的listStatus方法可以获得符合条件的一组FileStatus对象，listStatus有几个重载的方法，可以传入多个路径，还可以使用PathFilter做过滤，我们下面就会讲到它。这里还有一个重要的方法，FileUtils.stat2Paths可以将一组FileStatus对象转换成一组Path对象，这是个非常便捷的方法。

 package com.sweetop.styhadoop;

 import org.apache.hadoop.conf.Configuration;
 import org.apache.hadoop.fs.FileStatus;
 import org.apache.hadoop.fs.FileSystem;
 import org.apache.hadoop.fs.FileUtil;
 import org.apache.hadoop.fs.Path;

 import java.io.IOException;
 import java.net.URI;

 /**
  * Created with IntelliJ IDEA.
  * User: lastsweetop
  * Date: 13-6-2
  * Time: 下午10:09
  * To change this template use File | Settings | File Templates.
  */
 public class ListStatus {
     public static void main(String[] args) throws IOException {
         String uri = args[0];
         Configuration conf = new Configuration();
         FileSystem fs = FileSystem.get(URI.create(uri), conf);

         Path[] paths = new Path[args.length];
         for (int i = 0; i < paths.length; i++) {
             paths[i] = new Path(args[i]);
         }

         FileStatus[] status = fs.listStatus(paths);
         Path[] listedPaths = FileUtil.stat2Paths(status);
         for (Path p : listedPaths) {
             System.out.println(p);
         }
     }
 }

PathFilter

接着上面我们来讲PathFilter接口，该接口只需实现其中的一个方法即可，即accpet方法，方法返回true时表示被过滤掉，我们来实现一个正则过滤，并在下面的例子里起作用

 package com.sweetop.styhadoop;

 import org.apache.hadoop.fs.Path;
 import org.apache.hadoop.fs.PathFilter;

 /**
  * Created with IntelliJ IDEA.
  * User: lastsweetop
  * Date: 13-6-3
  * Time: 下午2:49
  * To change this template use File | Settings | File Templates.
  */
 public class RegexExludePathFilter implements PathFilter {

     private final String regex;

     public RegexExludePathFilter(String regex) {
         this.regex = regex;
     }

     @Override
     public boolean accept(Path path) {
         return !path.toString().matches(regex);
     }
 }

File patterns

当需要很多文件时，一个个列出路径是很不便捷的，hdfs提供了一个通配符列出文件的方法，通过FileSystem的globStatus方法提供了这个便捷，globStatus也有重载的方法，使用PathFilter过滤，那么我们结合两个来实现一下

 package com.sweetop.styhadoop;

 import org.apache.hadoop.conf.Configuration;
 import org.apache.hadoop.fs.FileStatus;
 import org.apache.hadoop.fs.FileSystem;
 import org.apache.hadoop.fs.FileUtil;
 import org.apache.hadoop.fs.Path;

 import java.io.IOException;
 import java.net.URI;

 /**
  * Created with IntelliJ IDEA.
  * User: lastsweetop
  * Date: 13-6-3
  * Time: 下午2:37
  * To change this template use File | Settings | File Templates.
  */
 public class GlobStatus {
     public static void main(String[] args) throws IOException {
         String uri = args[0];
         Configuration conf = new Configuration();
         FileSystem fs = FileSystem.get(URI.create(uri), conf);

         FileStatus[] status = fs.globStatus(new Path(uri),new RegexExludePathFilter("^.*/1901"));
         Path[] listedPaths = FileUtil.stat2Paths(status);
         for (Path p : listedPaths) {
             System.out.println(p);
         }
     }
 }

删除数据

删除数据比较简单

public abstract boolean delete(Path f,
                               boolean recursive)
                        throws IOException

第一个参数很明确，第二个参数表示是否递归删除子目录或目录下的文件，在Path为目录但目录是空的或者Path为文件时可以忽略，但如果Path为目录且不为空的情况下，如果recursive为false,那么删除就会抛出io异常。

感谢Tom White,此文章大部分来自于大神的definitive guide，奈何中文版翻译太烂，就在英文原版的基础上和官方的一些文档加入一些自己的理解。

全当是读书笔记吧，画蛇添足之举。

转自，http://blog.csdn.net/lastsweetop/article/details/9001467

所有源码在github上，https://github.com/lastsweetop/styhadoop