主要内容：hdfs的整体运行机制，DATANODE存储文件块的观察，hdfs集群的搭建与配置，hdfs命令行客户端常见命令；业务系统中日志生成机制，HDFS的java客户端api基本使用。
1、什么是大数据
基本概念
《数据处理》
在互联网技术发展到现今阶段，大量日常、工作等事务产生的数据都已经信息化，人类产生的数据量相比以前有了爆炸式的增长，以前的传统的数据处理技术已经无法胜任，需求催生技术，一套用来处理海量数据的软件工具应运而生，这就是大数据！
处理海量数据的核心技术：
海量数据存储：分布式
海量数据运算：分布式
大数据的海量数据的存储和运算，核心技术就是分布式。
这些核心技术的实现是不需要用户从零开始造轮子的
存储和运算，都已经有大量的成熟的框架来用
存储框架：
HDFS——分布式文件存储系统（HADOOP中的存储框架）
HBASE——分布式数据库系统
KAFKA——分布式消息缓存系统(实时流式数据处理场景中应用广泛)
文件系统中的数据以非结构化居多，没有直观的结构，数据库中的信息多以表的形式存在，具有结构化，存在规律；
查询的时候文本文件只能一行一行扫描，而数据库效率高很多，可以利用sql查询语法，数据库在存和取方便的多。
数据库和文件系统相比，数据库相当于在特定的文件系统上的软件封装。其实HBASE就是对HDFS的进一层封装，它的底层文件系统就是HDFS。
分布式消息缓存系统，既然是分布式，那就意味着横跨很多机器，意味着容量可以很大。和前两者相比它的数据存储形式是消息（不是表，也不是文件），消息可以看做有固定格式的一条数据，比如消息头，消息体等，消息体可以是json，数据库的一条记录，一个序列化对象等。消息最终存放在kafaka内部的特定的文件系统里。
运算框架：（要解决的核心问题就是帮用户将处理逻辑在很多机器上并行）
MAPREDUCE—— 离线批处理/HADOOP中的运算框架
SPARK —— 离线批处理/实时流式计算
STORM —— 实时流式计算
离线批处理：数据是静态的，一次处理一大批数据。
实时流式：数据在源源不断的生成，边生成，边计算
这些运算框架的思想都差不多，特别是mapreduce和spark，简单来看spark是对mapreduce的进一步封装；
运算框架和存储框架之间没有强耦合关系，spark可以读HDFS，HBASE，KAFKA里的数据，当然需要存储框架提供访问接口。
辅助类的工具（解放大数据工程师的一些繁琐工作）：
HIVE —— 数据仓库工具：可以接收sql，翻译成mapreduce或者spark程序运行
FLUME——数据采集
SQOOP——数据迁移
ELASTIC SEARCH —— 分布式的搜索引擎
flume用于自动采集数据源机器上的数据到大数据集群中。
HIVE看起来像一个数据库，但其实不是，Hive中存了一些需要分析的数据，然后在直接写sql进行分析，hive接收sql，翻译成mapreduce或者spark程序运行；
hive本质是mapreduce或spark，我们只需要写sql逻辑而不是mapreduce逻辑，Hive自动完成对sql的翻译，而且还是在海量数据集上。
.......
换个角度说，大数据是：
1、有海量的数据
2、有对海量数据进行挖掘的需求
3、有对海量数据进行挖掘的软件工具（hadoop、spark、storm、flink、tez、impala......）
大数据在现实生活中的具体应用
数据处理的最典型应用：公司的产品运营情况分析
电商推荐系统：基于海量的浏览行为、购物行为数据，进行大量的算法模型的运算，得出各类推荐结论，以供电商网站页面来为用户进行商品推荐
精准广告推送系统：基于海量的互联网用户的各类数据，统计分析，进行用户画像（得到用户的各种属性标签），然后可以为广告主进行有针对性的精准的广告投放
2、什么是hadoop
hadoop中有3个核心组件：
分布式文件系统：HDFS —— 实现将文件分布式存储在很多的服务器上
分布式运算编程框架：MAPREDUCE —— 实现在很多机器上分布式并行运算
分布式资源调度平台：YARN —— 帮用户调度大量的mapreduce程序，并合理分配运算资源
3、hdfs整体运行机制
hdfs：分布式文件系统
hdfs有着文件系统共同的特征：
1、有目录结构，顶层目录是： /
2、系统中存放的就是文件
3、系统可以提供对文件的：创建、删除、修改、查看、移动等功能
hdfs跟普通的单机文件系统有区别：
1、单机文件系统中存放的文件，是在一台机器的操作系统中
2、hdfs的文件系统会横跨N多的机器
3、单机文件系统中存放的文件，是在一台机器的磁盘上
4、hdfs文件系统中存放的文件，是落在n多机器的本地单机文件系统中（hdfs是一个基于linux本地文件系统之上的文件系统）
hdfs的工作机制：
1、客户把一个文件存入hdfs，其实hdfs会把这个文件切块后，分散存储在N台linux机器系统中（负责存储文件块的角色：data node）<准确来说：切块的行为是由客户端决定的>
2、一旦文件被切块存储，那么，hdfs中就必须有一个机制，来记录用户的每一个文件的切块信息，及每一块的具体存储机器（负责记录块信息的角色是：name node）
3、为了保证数据的安全性，hdfs可以将每一个文件块在集群中存放多个副本（到底存几个副本，是由当时存入该文件的客户端指定的）
综述：一个hdfs系统，由一台运行了namenode的服务器，和N台运行了datanode的服务器组成！
4、搭建hdfs分布式集群
4.1 hdfs集群组成结构：
4.2 安装hdfs集群的具体步骤：
4.2.1、首先需要准备N台linux服务器
学习阶段，用虚拟机即可！
先准备4台虚拟机：1个namenode节点 + 3 个datanode 节点
4.2.2、修改各台机器的主机名和ip地址
主机名：hdp-01 对应的ip地址：192.168.33.11
主机名：hdp-02 对应的ip地址：192.168.33.12
主机名：hdp-03 对应的ip地址：192.168.33.13
主机名：hdp-04 对应的ip地址：192.168.33.14
4.2.3、从windows中用CRT软件进行远程连接
在windows中将各台linux机器的主机名配置到的windows的本地域名映射文件中：
c:/windows/system32/drivers/etc/hosts
|
192.168.33.11 hdp-01 192.168.33.12 hdp-02 192.168.33.13 hdp-03 192.168.33.14 hdp-04 |
用crt连接上后，修改一下crt的显示配置（字号，编码集改为UTF-8）：
4.2.3、配置linux服务器的基础软件环境
- 防火墙
关闭防火墙：service iptables stop
关闭防火墙自启： chkconfig iptables off
- 安装jdk：（hadoop体系中的各软件都是java开发的）
1) 利用alt+p 打开sftp窗口，然后将jdk压缩包拖入sftp窗口
2) 然后在linux中将jdk压缩包解压到/root/apps 下
3) 配置环境变量：JAVA_HOME PATH
vi /etc/profile 在文件的最后，加入：
export JAVA_HOME=/root/apps/jdk1.8.0_60 export PATH=$PATH:$JAVA_HOME/bin
4) 修改完成后，记得 source /etc/profile使配置生效
5) 检验：在任意目录下输入命令： java -version 看是否成功执行
6) 将安装好的jdk目录用scp命令拷贝到其他机器
7) 将/etc/profile配置文件也用scp命令拷贝到其他机器并分别执行source命令
- 集群内主机的域名映射配置
在hdp-01上，vi /etc/hosts
|
127.0.0.1 localhost localhost.localdomain localhost4 localhost4.localdomain4 ::1 localhost localhost.localdomain localhost6 localhost6.localdomain6 192.168.33.11 hdp-01 192.168.33.12 hdp-02 192.168.33.13 hdp-03 192.168.33.14 hdp-04 |
然后，将hosts文件拷贝到集群中的所有其他机器上
scp /etc/hosts hdp-02:/etc/
scp /etc/hosts hdp-03:/etc/
scp /etc/hosts hdp-04:/etc/
|
补 充 提示: |
如果在执行scp命令的时候，提示没有scp命令，则可以配置一个本地yum源来安装 1、先在虚拟机中配置cdrom为一个centos的安装镜像iso文件 2、在linux系统中将光驱挂在到文件系统中（某个目录） 3、mkdir /mnt/cdrom 4、mount -t iso9660 -o loop /dev/cdrom /mnt/cdrom 5、检验挂载是否成功： ls /mnt/cdrom 6、3、配置yum的仓库地址配置文件 7、yum的仓库地址配置文件目录： /etc/yum.repos.d 8、先将自带的仓库地址配置文件批量更名： 9、然后，拷贝一个出来进行修改 10、修改完配置文件后，再安装scp命令： 11、yum install openssh-clients -y |
4.2.4、安装hdfs集群
1、上传hadoop安装包到hdp-01
bin文件为hadoop功能命令，sbin中为集群管理命令。
2、修改配置文件
|
要 点 提 示 |
核心配置参数： 1) 指定hadoop的默认文件系统为：hdfs 2) 指定hdfs的namenode节点为哪台机器 3) 指定namenode软件存储元数据的本地目录 4) 指定datanode软件存放文件块的本地目录 |
hadoop的配置文件在：/root/apps/hadoop安装目录/etc/hadoop/
hadoop中的其他组件如mapreduce，yarn等，这些组将会去读数据，指定hadoop的默认文件系统为：hdfs，就是告诉这些组件去hdfs中读数据；该项配置意味dadoop中的组件可以访问各种文件系统。
若不指定数据的存放目录，hadoop默认将数据存放在/temp下。
可以参考官网的默认配置信息。
1) 修改hadoop-env.sh
export JAVA_HOME=/root/apps/jdk1.8.0_60
2) 修改core-site.xml
<configuration> <property> <name>fs.defaultFS</name> <value>hdfs://hdp-01:9000/</value> </property> </configuration>
<value>hdfs://hdp-01:9000</value>包含两层意思：
1、指定默认的文件系统。
2、指明了namenode是谁。
value中的值是URI风格
3) 修改hdfs-site.xml
配置namenode和datanode的工作目录，添加secondary name node。
<configuration> <property> <name>dfs.namenode.name.dir</name> <value>/root/hdpdata/name/</value> </property> <property> <name>dfs.datanode.data.dir</name> <value>/root/hdpdata/data</value> </property> <property> <name>dfs.namenode.secondary.http-address</name> <value>hdp-02:50090</value> </property> </configuration>
4) 拷贝整个hadoop安装目录到其他机器
scp -r /root/apps/hadoop-2.8.1 hdp-02:/root/apps/ scp -r /root/apps/hadoop-2.8.1 hdp-03:/root/apps/ scp -r /root/apps/hadoop-2.8.1 hdp-04:/root/apps/
5) 启动HDFS
所谓的启动HDFS，就是在对的机器上启动对的软件
|
要 点 提示： |
要运行hadoop的命令，需要在linux环境中配置HADOOP_HOME和PATH环境变量 vi /etc/profile
|
首先，初始化namenode的元数据目录
要在hdp-01上执行hadoop的一个命令来初始化namenode的元数据存储目录
hadoop namenode -format
创建一个全新的元数据存储目录
生成记录元数据的文件fsimage
生成集群的相关标识：如：集群id——clusterID
该步骤叫做namenode的初始化也叫格式化，本质是建立namenode运行所需要的目录以及一些必要的文件，所以该操作一般只在集群第一次启动之前执行。
然后，启动namenode进程（在hdp-01上）
hadoop-daemon.sh start namenode
启动完后，首先用jps查看一下namenode的进程是否存在
namenode就是一个java软件，我们知道启动一个java软件需要主类的main方法 java xxx.java - 若干参数，处于方便的考虑，hadoop中提供了一个通用的软件启动脚本hadoop-daemon.sh，脚本可以接受参数，专门用来启动hadoop中的软件。
可以看到namenode在监听两个端口，9000用来和客户端通信（9000为RPC端口号，内部进程之间互相通信的端口，datanode和namenode的通信），接受hdfs客户端的请求，50070是web服务端口，也就是说namenode内置一个web服务器，http客户端可以通过次端口发送请求。
然后，在windows中用浏览器访问namenode提供的web端口：50070
http://hdp-01:50070
然后，启动众datanode们（在任意地方）
hadoop-daemon.sh start datanode
下图是datanode的一下信息展示，可以看到datanode内部通信的端口号是50010，而且datanode也提供了问访问端口50075.
6) 用自动批量启动脚本来启动HDFS
hdfs其实就是一堆java软件，我们可以自己手动hadoop-daemon.sh逐个启动，也可以使用hadoop提供的批量启动脚本。
1) 先配置hdp-01到集群中所有机器（包含自己）的免密登陆
2) 配完免密后，可以执行一次 ssh 0.0.0.0
3) 修改hadoop安装目录中/etc/hadoop/slaves（把需要启动datanode进程的节点列入）
|
hdp-01 hdp-02 hdp-03 hdp-04 |
core-site.xml中配置过namenode，但是需要批量启动那些datanode呢，该文件/etc/hadoop/slaves的配置就是解决这个问题的，该文件就是给启动脚本看的。
4) 在hdp-01上用脚本：start-dfs.sh 来自动启动整个集群
5) 如果要停止，则用脚本：stop-dfs.sh
start-dfs.sh、stop-dfs.sh会启动、关闭namenode，datanode和secondnamenode
当然你也可以自己写脚本来做上述的事情 ，如下所示。
5、hdfs的客户端操作
hdfs装好之后，接下来的工作就是hdfs里传东西，去东西，由客户端来完成。
5.1、客户端的理解
hdfs的客户端有多种形式：
1、网页形式
2、命令行形式
3、客户端在哪里运行，没有约束，只要运行客户端的机器能够跟hdfs集群联网们
对于客户端来讲，hdfs是一个整体，网页版的客户端主要是用来查看hdfs信息的，可以创建目录，但是需要权限
命令行客户端
bin命令中的 hadoop 和 hdfs 都可以启动 hdfs 客户端，hadoop和hdfs都是脚本，都会去启动一个hdfs的java客户端。java客户端在安装包的jar包中
./hadoop fs -ls /
表示hadoop要访问hdfs，该脚本就会去启动hdfs客户端，客户端可以接收参数，比如查看hdfs根目录。
文件的切块大小和存储的副本数量，都是由客户端决定！
所谓的由客户端决定，是通过配置参数来定的
hdfs的客户端会读以下两个参数，来决定切块大小（默认128M）、副本数量（默认3）：
切块大小的参数： dfs.blocksize
副本数量的参数： dfs.replication
如果使用命令行客户端时，上面两个参数应该配置在客户端机器的hadoop目录中的hdfs-site.xml中配置，（命令行客户端本质就是启动了一个java客户端，这个客户端在启动的时候会将它依赖的所有jar包加入classpath中，客户端会从jar包中，加载xx-default.xml来获得默认的配置文件，也可以在hadoop/etc/xxx-site.xml中配置具体的参数来覆盖默认值。此时的/etc下的配置文件就是客户自定义的配置文件，也会被java客户端加载【客户端可以运行在任何地方】）；
当然也可以在具体代码中指定，见6节中的核心代码
<property> <name>dfs.blocksize</name> <value>64m</value> </property> <property> <name>dfs.replication</name> <value>2</value> </property>
5.1.1、上传过程
下图为datanode中的数据，.meta是该block的校验和信息。我们可以通过linux cat命令将两个块合并，会发现与原来的文件是一样的。
5.1.2、下载过程
客户端首先回去namenode上去查找，有没有请求的hdfs路径下的文件，有的话都有该文件被切割成几块，每块有几个副本，这些副本都存放在集群中的哪些机器上，然后去存放了第一块数据的某一台机器上去下载第一块数据，将数据追加到本地，然后去下载下一块数据，继续追加到本地文件，知道下载完所有的块。
5.2、hdfs客户端的常用操作命令
1、上传文件到hdfs中
hadoop fs -put /本地文件 /aaa
2、下载文件到客户端本地磁盘
hadoop fs -get /hdfs中的路径 /本地磁盘目录
3、在hdfs中创建文件夹
hadoop fs -mkdir -p /aaa/xxx
4、移动hdfs中的文件（更名）
hadoop fs -mv /hdfs的路径1 /hdfs的另一个路径2
复制hdfs中的文件到hdfs的另一个目录
hadoop fs -cp /hdfs路径_1 /hdfs路径_2
5、删除hdfs中的文件或文件夹
hadoop fs -rm -r /aaa
6、查看hdfs中的文本文件内容
hadoop fs -cat /demo.txt
hadoop fs -tail /demo.txt
hadoop fs -tail -f /demo.txt
hadoop fs -text /demo.txt
7、查看hdfs目录下有哪些文件
hadoop fs –ls /
8、追加本地文件到hdfs中的文件
hadoop fs -appendToFile 本地路径 /hdfs路径
9、权限修改
hadoop fs -chmod username1:usergroup1 /hdfs路径
要说明的是，hdfs中的用户和用户组这是一个名字称呼，与linux不一样，linux中不能将选线分配给一个不存在的用户。
可以查看hadoop fs 不带任何参数，来查看hdfs所支持的命令
Usage: hadoop fs [generic options] [-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] [-l] [-d] <localsrc> ... <dst>] [-copyToLocal [-f] [-p] [-ignoreCrc] [-crc] <src> ... <localdst>] [-count [-q] [-h] [-v] [-t [<storage type>]] [-u] [-x] <path> ...] [-cp [-f] [-p | -p[topax]] [-d] <src> ... <dst>] [-createSnapshot <snapshotDir> [<snapshotName>]] [-deleteSnapshot <snapshotDir> <snapshotName>] [-df [-h] [<path> ...]] [-du [-s] [-h] [-x] <path> ...] [-expunge] [-find <path> ... <expression> ...] [-get [-f] [-p] [-ignoreCrc] [-crc] <src> ... <localdst>] [-getfacl [-R] <path>] [-getfattr [-R] {-n name | -d} [-e en] <path>] [-getmerge [-nl] [-skip-empty-file] <src> <localdst>] [-help [cmd ...]] [-ls [-C] [-d] [-h] [-q] [-R] [-t] [-S] [-r] [-u] [<path> ...]] [-mkdir [-p] <path> ...] [-moveFromLocal <localsrc> ... <dst>] [-moveToLocal <src> <localdst>] [-mv <src> ... <dst>] [-put [-f] [-p] [-l] [-d] <localsrc> ... <dst>] [-renameSnapshot <snapshotDir> <oldName> <newName>] [-rm [-f] [-r|-R] [-skipTrash] [-safely] <src> ...] [-rmdir [--ignore-fail-on-non-empty] <dir> ...] [-setfacl [-R] [{-b|-k} {-m|-x <acl_spec>} <path>]|[--set <acl_spec> <path>]] [-setfattr {-n name [-v value] | -x name} <path>] [-setrep [-R] [-w] <rep> <path> ...] [-stat [format] <path> ...] [-tail [-f] <file>] [-test -[defsz] <path>] [-text [-ignoreCrc] <src> ...] [-touchz <path> ...] [-truncate [-w] <length> <path> ...] [-usage [cmd ...]]
6、hdfs的java客户端编程
HDFS客户端编程应用场景：数据采集
业务系统中日志生成机制
数据采集程序其实就是通过对java客户端编程，将数据不断的上传到hdfs。
在windows开发环境中做一些准备工作：
1、在windows的某个路径中解压一份windows版本的hadoop安装包
2、将解压出的hadoop目录配置到windows的环境变量中：HADOOP_HOME
原因：若不配置环境变量，会在下载hdfs文件是出错，是由于使用hadoop的FileSystem保存文件到本地的时候出于效率的考虑，会使用hadoop安装包中的c语言库，显然没有配置hadoop环境变量时是找不到该c语言类库中的文件的；然而上传文件到hdfs没有类似问题；
6.1、核心代码
1、将hdfs客户端开发所需的jar导入工程（jar包可在hadoop安装包中找到common和hdfs）
2、写代码
6.1.1、获取hdfs客户端
要点：要对hdfs中的文件进行操作，代码中首先需要获得一个hdfs的客户端对象
Configuration conf = new Configuration(); FileSystem fs = FileSystem.get(new URI("hdfs://hdp-01:9000"),conf,"root");
完整代码如下：
/** * Configuration参数对象的机制： * 构造时，会加载jar包中的默认配置 xx-default.xml（core-default.xmlhdfs-default.xml） * 再加载 用户配置xx-site.xml ，覆盖掉默认参数 * 构造完成之后，还可以conf.set("p","v")，会再次覆盖用户配置文件中的参数值 */ // new Configuration()会从项目的classpath中加载core-default.xml hdfs-default.xml core-site.xml hdfs-site.xml等文件 Configuration conf = new Configuration(); // 指定本客户端上传文件到hdfs时需要保存的副本数为：2 conf.set("dfs.replication", "2"); // 指定本客户端上传文件到hdfs时切块的规格大小：64M conf.set("dfs.blocksize", "64m"); // 构造一个访问指定HDFS系统的客户端对象: 参数1:——HDFS系统的URI，参数2：——客户端要特别指定的参数，参数3：客户端的身份（用户名） FileSystem fs = FileSystem.get(new URI("hdfs://hdp-01:9000/"), conf, "root"); // 上传一个文件到HDFS中 fs.copyFromLocalFile(new Path("D:/install-pkgs/hbase-1.2.1-bin.tar.gz"), new Path("/aaa/")); fs.close();
6.1.2、对文件进行操作
上传、下载文件；文件夹的创建和删除、文件的移动和复制、查看文件夹和文件等。
3、利用fs对象的方法进行文件操作
方法均与命令行方法对应，比如：
上传文件
fs.copyFromLocalFile(new Path("本地路径"),new Path("hdfs的路径"));
下载文件
fs.copyToLocalFile(new Path("hdfs的路径"),new Path("本地路径"))
对文件的增删改查如下，对文件数据的操作后续介绍。
FileSystem fs = null; @Before public void init() throws Exception{ Configuration conf = new Configuration(); conf.set("dfs.replication", "2"); conf.set("dfs.blocksize", "64m"); fs = FileSystem.get(new URI("hdfs://hdp-01:9000/"), conf, "root"); } /** * 从HDFS中下载文件到客户端本地磁盘 * @throws IOException * @throws IllegalArgumentException */ @Test public void testGet() throws IllegalArgumentException, IOException{ fs.copyToLocalFile(new Path("/hdp20-05.txt"), new Path("f:/")); fs.close(); } /** * 在hdfs内部移动文件修改名称 */ @Test public void testRename() throws Exception{ fs.rename(new Path("/install.log"), new Path("/aaa/in.log")); fs.close(); } /** * 在hdfs中创建文件夹 */ @Test public void testMkdir() throws Exception{ fs.mkdirs(new Path("/xx/yy/zz")); fs.close(); } /** * 在hdfs中删除文件或文件夹 */ @Test public void testRm() throws Exception{ fs.delete(new Path("/aaa"), true); fs.close(); } /** * 查询hdfs指定目录下的文件信息 */ @Test public void testLs() throws Exception{ // 只查询文件的信息,不返回文件夹的信息 RemoteIterator<LocatedFileStatus> iter = fs.listFiles(new Path("/"), true); while(iter.hasNext()){ LocatedFileStatus status = iter.next(); System.out.println("文件全路径："+status.getPath()); System.out.println("块大小："+status.getBlockSize()); System.out.println("文件长度："+status.getLen()); System.out.println("副本数量："+status.getReplication()); System.out.println("块信息："+Arrays.toString(status.getBlockLocations())); System.out.println("--------------------------------"); } fs.close(); } /** * 查询hdfs指定目录下的文件和文件夹信息 */ @Test public void testLs2() throws Exception{ FileStatus[] listStatus = fs.listStatus(new Path("/")); for(FileStatus status:listStatus){ System.out.println("文件全路径："+status.getPath()); System.out.println(status.isDirectory()?"这是文件夹":"这是文件"); System.out.println("块大小："+status.getBlockSize()); System.out.println("文件长度："+status.getLen()); System.out.println("副本数量："+status.getReplication()); System.out.println("--------------------------------"); } fs.close(); }
6.1.3、对文件数据进行操作
同过客户端使用open打开流对象来读取hdfs中文件的具体数据，包括指定偏移量来读取特定范围的数据；通过客户端向hdfs文件追加数据。
/** * 读取hdfs中的文件的内容 * * @throws IOException * @throws IllegalArgumentException */ @Test public void testReadData() throws IllegalArgumentException, IOException { FSDataInputStream in = fs.open(new Path("/test.txt")); BufferedReader br = new BufferedReader(new InputStreamReader(in, "utf-8")); String line = null; while ((line = br.readLine()) != null) { System.out.println(line); } br.close(); in.close(); fs.close(); } /** * 读取hdfs中文件的指定偏移量范围的内容 * * * 作业题：用本例中的知识，实现读取一个文本文件中的指定BLOCK块中的所有数据 * * @throws IOException * @throws IllegalArgumentException */ @Test public void testRandomReadData() throws IllegalArgumentException, IOException { FSDataInputStream in = fs.open(new Path("/xx.dat")); // 将读取的起始位置进行指定 in.seek(12); // 读16个字节 byte[] buf = new byte[16]; in.read(buf); System.out.println(new String(buf)); in.close(); fs.close(); }
写数据，create提供了丰富的重载函数，轻松实现覆盖，追加，以及指定缓存大小，副本数量等等信息。
/** * 往hdfs中的文件写内容 * * @throws IOException * @throws IllegalArgumentException */ @Test public void testWriteData() throws IllegalArgumentException, IOException { FSDataOutputStream out = fs.create(new Path("/zz.jpg"), false); // D:images 06l0mbogy1fhehjb6ikoj30ku0ku76b.jpg FileInputStream in = new FileInputStream("D:/images/006l0mbogy1fhehjb6ikoj30ku0ku76b.jpg"); byte[] buf = new byte[1024]; int read = 0; while ((read = in.read(buf)) != -1) { out.write(buf,0,read); } in.close(); out.close(); fs.close(); }
7、HDFS实例
hdfs版本wordcount程序。
任务描述:
1、从hdfs文件中读取数据，每次读取一行数据；
2、将数据交给具体的单词统计业务去作业（使用面向接口编程，当业务逻辑改变时，无需修改主程序代码）；
3、并将该行数据产生的结果存入缓存中（可以用hashmap模拟）
数据采集设计：
1、流程
启动一个定时任务：
——定时探测日志源目录
——获取需要采集的文件
——移动这些文件到一个待上传临时目录
——遍历待上传目录中各文件，逐一传输到HDFS的目标路径，同时将传输完成的文件移动到备份目录
启动一个定时任务：
——探测备份目录中的备份数据，检查是否已超出最长备份时长，如果超出，则删除
2、规划各种路径
日志源路径： d:/logs/accesslog/
待上传临时目录： d:/logs/toupload/
备份目录： d:/logs/backup/日期/
HDFS存储路径： /logs/日期
HDFS中的文件的前缀：access_log_
HDFS中的文件的后缀：.log
将路径配置写入属性文件
MAPPER_CLASS=cn.edu360.hdfs.wordcount.CaseIgnorWcountMapper INPUT_PATH=/wordcount/input OUTPUT_PATH=/wordcount/output2
主程序代码示例：
import java.io.BufferedReader; import java.io.InputStreamReader; import java.net.URI; import java.util.HashMap; import java.util.Map.Entry; import java.util.Properties; import java.util.Set; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.FSDataInputStream; import org.apache.hadoop.fs.FSDataOutputStream; import org.apache.hadoop.fs.FileSystem; import org.apache.hadoop.fs.LocatedFileStatus; import org.apache.hadoop.fs.Path; import org.apache.hadoop.fs.RemoteIterator; public class HdfsWordcount { public static void main(String[] args) throws Exception{ /** * 初始化工作 */ Properties props = new Properties(); props.load(HdfsWordcount.class.getClassLoader().getResourceAsStream("job.properties")); Path input = new Path(props.getProperty("INPUT_PATH")); Path output = new Path(props.getProperty("OUTPUT_PATH")); Class<?> mapper_class = Class.forName(props.getProperty("MAPPER_CLASS")); Mapper mapper = (Mapper) mapper_class.newInstance(); Context context = new Context(); /** * 处理数据 */ FileSystem fs = FileSystem.get(new URI("hdfs://hdp-01:9000"), new Configuration(), "root"); RemoteIterator<LocatedFileStatus> iter = fs.listFiles(input, false); while(iter.hasNext()){ LocatedFileStatus file = iter.next(); FSDataInputStream in = fs.open(file.getPath()); BufferedReader br = new BufferedReader(new InputStreamReader(in)); String line = null; // 逐行读取 while ((line = br.readLine()) != null) { // 调用一个方法对每一行进行业务处理 mapper.map(line, context); } br.close(); in.close(); } /** * 输出结果 */ HashMap<Object, Object> contextMap = context.getContextMap(); if(fs.exists(output)){ throw new RuntimeException("指定的输出目录已存在，请更换......!"); } FSDataOutputStream out = fs.create(new Path(output,new Path("res.dat"))); Set<Entry<Object, Object>> entrySet = contextMap.entrySet(); for (Entry<Object, Object> entry : entrySet) { out.write((entry.getKey().toString()+" "+entry.getValue()+" ").getBytes()); } out.close(); fs.close(); System.out.println("恭喜！数据统计完成....."); } }
自定义的业务接口
public interface Mapper { public void map(String line,Context context); }
业务实现类1
public class WordCountMapper implements Mapper{ @Override public void map(String line, Context context) { String[] words = line.split(" "); for (String word : words) { Object value = context.get(word); if(null==value){ context.write(word, 1); }else{ int v = (int)value; context.write(word, v+1); } } } }
业务实现类2
public class CaseIgnorWcountMapper implements Mapper { @Override public void map(String line, Context context) { String[] words = line.toUpperCase().split(" "); for (String word : words) { Object value = context.get(word); if (null == value) { context.write(word, 1); } else { int v = (int) value; context.write(word, v + 1); } } } }
缓存模拟
import java.util.HashMap; public class Context { private HashMap<Object,Object> contextMap = new HashMap<>(); public void write(Object key,Object value){ contextMap.put(key, value); } public Object get(Object key){ return contextMap.get(key); } public HashMap<Object,Object> getContextMap(){ return contextMap; } }
8、实战描述
需求描述：
在业务系统的服务器上，业务程序会不断生成业务日志（比如网站的页面访问日志）
业务日志是用log4j生成的，会不断地切出日志文件
需要定期（比如每小时）从业务服务器上的日志目录中，探测需要采集的日志文件(access.log，不是直接采集数据)，发往HDFS
注意点：业务服务器可能有多台(hdfs上的文件名不能直接用日志服务器上的文件名)
当天采集到的日志要放在hdfs的当天目录中
采集完成的日志文件，需要移动到到日志服务器的一个备份目录中
定期检查（一小时检查一次）备份目录，将备份时长超出24小时的日志文件清除
Timer timer = new Timer() timer.schedual()
简易版日志采集主程序
import java.util.Timer; public class DataCollectMain { public static void main(String[] args) { Timer timer = new Timer(); timer.schedule(new CollectTask(), 0, 60*60*1000L); timer.schedule(new BackupCleanTask(), 0, 60*60*1000L); } }
日志收集定时任务类
import java.io.File; import java.io.FilenameFilter; import java.net.URI; import java.text.SimpleDateFormat; import java.util.Arrays; import java.util.Date; import java.util.Properties; import java.util.TimerTask; import java.util.UUID; import org.apache.commons.io.FileUtils; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.FileSystem; import org.apache.hadoop.fs.Path; import org.apache.log4j.Logger; public class CollectTask extends TimerTask { @Override public void run() { /** * ——定时探测日志源目录 ——获取需要采集的文件 ——移动这些文件到一个待上传临时目录 * ——遍历待上传目录中各文件，逐一传输到HDFS的目标路径，同时将传输完成的文件移动到备份目录 * */ try { // 获取配置参数 Properties props = PropertyHolderLazy.getProps(); // 构造一个log4j日志对象 Logger logger = Logger.getLogger("logRollingFile"); // 获取本次采集时的日期 SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd-HH"); String day = sdf.format(new Date()); File srcDir = new File(props.getProperty(Constants.LOG_SOURCE_DIR)); // 列出日志源目录中需要采集的文件 File[] listFiles = srcDir.listFiles(new FilenameFilter() { @Override public boolean accept(File dir, String name) { if (name.startsWith(props.getProperty(Constants.LOG_LEGAL_PREFIX))) { return true; } return false; } }); // 记录日志 logger.info("探测到如下文件需要采集：" + Arrays.toString(listFiles)); // 将要采集的文件移动到待上传临时目录 File toUploadDir = new File(props.getProperty(Constants.LOG_TOUPLOAD_DIR)); for (File file : listFiles) { FileUtils.moveFileToDirectory(file, toUploadDir, true); } // 记录日志 logger.info("上述文件移动到了待上传目录" + toUploadDir.getAbsolutePath()); // 构造一个HDFS的客户端对象 FileSystem fs = FileSystem.get(new URI(props.getProperty(Constants.HDFS_URI)), new Configuration(), "root"); File[] toUploadFiles = toUploadDir.listFiles(); // 检查HDFS中的日期目录是否存在，如果不存在，则创建 Path hdfsDestPath = new Path(props.getProperty(Constants.HDFS_DEST_BASE_DIR) + day); if (!fs.exists(hdfsDestPath)) { fs.mkdirs(hdfsDestPath); } // 检查本地的备份目录是否存在，如果不存在，则创建 File backupDir = new File(props.getProperty(Constants.LOG_BACKUP_BASE_DIR) + day + "/"); if (!backupDir.exists()) { backupDir.mkdirs(); } for (File file : toUploadFiles) { // 传输文件到HDFS并改名access_log_ Path destPath = new Path(hdfsDestPath + "/" + UUID.randomUUID() + props.getProperty(Constants.HDFS_FILE_SUFFIX)); fs.copyFromLocalFile(new Path(file.getAbsolutePath()), destPath); // 记录日志 logger.info("文件传输到HDFS完成：" + file.getAbsolutePath() + "-->" + destPath); // 将传输完成的文件移动到备份目录 FileUtils.moveFileToDirectory(file, backupDir, true); // 记录日志 logger.info("文件备份完成：" + file.getAbsolutePath() + "-->" + backupDir); } } catch (Exception e) { e.printStackTrace(); } } }
定期清理过时备份日志
import java.io.File; import java.text.SimpleDateFormat; import java.util.Date; import java.util.TimerTask; import org.apache.commons.io.FileUtils; public class BackupCleanTask extends TimerTask { @Override public void run() { SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd-HH"); long now = new Date().getTime(); try { // 探测本地备份目录 File backupBaseDir = new File("d:/logs/backup/"); File[] dayBackDir = backupBaseDir.listFiles(); // 判断备份日期子目录是否已超24小时 for (File dir : dayBackDir) { long time = sdf.parse(dir.getName()).getTime(); if(now-time>24*60*60*1000L){ FileUtils.deleteDirectory(dir); } } } catch (Exception e) { e.printStackTrace(); } } }
配置信息提取到属性配置文件中，并写成常量，以单例设计模式去加载配置信息。
LOG_SOURCE_DIR=d:/logs/accesslog/ LOG_TOUPLOAD_DIR=d:/logs/toupload/ LOG_BACKUP_BASE_DIR=d:/logs/backup/ LOG_BACKUP_TIMEOUT=24 LOG_LEGAL_PREFIX=access.log. HDFS_URI=hdfs://hdp-01:9000/ HDFS_DEST_BASE_DIR=/logs/ HDFS_FILE_PREFIX=access_log_ HDFS_FILE_SUFFIX=.log
public class Constants { /** * 日志源目录参数key */ public static final String LOG_SOURCE_DIR = "LOG_SOURCE_DIR"; /** * 日志待上传目录参数key */ public static final String LOG_TOUPLOAD_DIR = "LOG_TOUPLOAD_DIR"; public static final String LOG_BACKUP_BASE_DIR = "LOG_BACKUP_BASE_DIR"; public static final String LOG_BACKUP_TIMEOUT = "LOG_BACKUP_TIMEOUT"; public static final String LOG_LEGAL_PREFIX = "LOG_LEGAL_PREFIX"; public static final String HDFS_URI = "HDFS_URI"; public static final String HDFS_DEST_BASE_DIR = "HDFS_DEST_BASE_DIR"; public static final String HDFS_FILE_PREFIX = "HDFS_FILE_PREFIX"; public static final String HDFS_FILE_SUFFIX = "HDFS_FILE_SUFFIX"; }
import java.util.Properties; /** * 单例模式：懒汉式——考虑了线程安全 * @author ThinkPad * */ public class PropertyHolderLazy { private static Properties prop = null; public static Properties getProps() throws Exception { if (prop == null) { synchronized (PropertyHolderLazy.class) { if (prop == null) { prop = new Properties(); prop.load(PropertyHolderLazy.class.getClassLoader().getResourceAsStream("collect.properties")); } } } return prop; } }
import java.util.Properties; /** * 单例设计模式，方式一： 饿汉式单例 * @author ThinkPad * */ public class PropertyHolderHungery { private static Properties prop = new Properties(); static { try { prop.load(PropertyHolderHungery.class.getClassLoader().getResourceAsStream("collect.properties")); } catch (Exception e) { } } public static Properties getProps() throws Exception { return prop; } }
9、总结
hdfs有服务端和客户端；
服务端：
成员：namenode 管理元数据，datanode存储数据
配置：需要指定使用的文件系统（默认的配置在core-default.xml，为本地文件系统，需要修改服务器core-site.xml修改为hdfs文件系统，并指定namenode），namenode和datanode的工作目录（服务器的默认配置在hdfs-default.xml中，默认是在/temp下，需要就该hdfs-site.xml来覆盖默认值。）；
细节：第一次启动集群时需要格式化namenode
客户端：
形式：网页端，命令行，java客户端api；客户端可以运行在任何地方。
功能：指定上传文件的信息报括切块大小（hdfs-default.xml中默认值128m，可以在hdfs-site.xml中修改，也可以咋java api 中创建客户端对象的时候指定，总之由客户端来指定），副本数量（hdfs-default.xml中默认值3，同样可以修改覆盖）；完成hdfs中文件的系列操作，如上传，下载
虽然服务端和客户端的共用配置 core-default.xml core-site.xml；hdfs-default.xml hdfs-site.xml，但是不同的程序所需要的参数不同，只不过为了方便，所有参数都写在一个文件中了。即是在服务器的hdfs-site.xml中配置了切块大小和副本数量，服务器的namenode和datanode根本不关心也不使用这些参数，只有启动服务器上的命令行客户端时，该参数才可能起作用。
