Hadoop学习笔记(3) Hadoop I/O

1. HDFS的数据完整性

　　HDFS会对写入的所有数据计算校验和，并在读取数据时验证校验和。datanode负责在验证收到的数据后存储数据及其校验和。正在写数据的客户端将数据及其校验和发送到由一系列datanode组成的管线，管线中的最后一个datanode负责验证校验和。如果datanode检测到错误，客户端便会收到一个ChecksumException异常。

　　客户端从datanode读取数据时，也会验证校验和，将它们与datanode中存储的校验和进行比较。每个datanode均持久保存有一个用于验证的校验和日志，所以它知道每个数据块的最后一次验证时间。客户端成功验证一个数据块后，会告诉这个datanode，datanode由此更新日志。

　　不只是客户端在读取数据块时会验证校验和，每个datanode也会在后台线程中运行一个DataBlockScanner，从而定期验证存储在这个datanode上的所有数据块。

　　客户端在读取数据块时，如果监测到错误，就像namenode报告已损坏的数据块及其正在尝试读操作的这个datanode，最后才抛出ChecksunException异常。namenode将这个已损坏的数据块的复本标记为已损坏，之后安排这个数据块的一个复本复制到另一个datanode，如此一来，数据块的复本因子又回到期望水平。此后，已损坏的数据块复本便被删除。

　　禁用校验和的方法：在的、使用open()方法读取文件之前，将false值传递给FileSystem对象的setVerifyChecksum()方法。

　　(1) LocalFileSystem执行客户端的校验和验证，意味着在你写入名为filename的文件时，客户端会在包含每个文件块校验和的同一个目录内新建一个名为filename.crc的隐藏文件。读取文件时需要验证校验和，若检测到错误，LocalFileSystem将抛出ChecksumException异常。

　　禁用校验和，可使用RawLocalFileSystem代替LocalFileSystem。

　　(2) ChecksumFileSystem

　　LocalFileSystem通过ChecksumFileSystem来完成校验，有了该类，向其他文件系统加入校验和就非常简单。

2. 压缩

　　压缩格式：

　　所有压缩算法都需要权衡空间/时间：压缩和解压缩速度更快，其代价通常是只能节省少量的空间。表中的压缩工具提供9个不同的选项来控制压缩时间时必须考虑的权衡：-1为优化压缩速度，-9为优化压缩时间。

　　codec实现了一种压缩-解压缩算法。在Hadoop中，一个对CompressionCodec接口的实现代表一个codec。

　　(1) 通过CompressionCodec对数据流进行压缩和解压缩

　　如果要对写入输出数据流的数据进行压缩，可用createOutputStream(OutputStream out)方法新建一个CompressOutputStrean对象，相反，对输入数据流中读取的数据进行解压缩时，调用createInpueStream(InputStream in)获取CompressionInputStream。

public class StreamCompressor{
    public static void main(String[] args) {
        // 将CompressionCodec实现的完全合格名称作为第一个命令行参数
        String codecClassname = args[0];
        Class<?> codecClass = Class.forName(codecClassname);
        Configuration conf = new Configuration();
        
        // 使用ReflectionUtils构建一个新的codec实例
        CompressionCodec codec = (CompressionCodec)ReflectUtils.newInstance(codecClass,conf);
        // 在System.out上包裹一个压缩方法。
        CompressionOutputStream out = codec.createOutputStream(System.out);
        IOUtils.copyBytes(System.in,out,4096,false);
　　　　 // 调用finish()方法，要求压缩方法完成到压缩数据流的写操作，但不关闭这个数据流
        out.finish();
    }
}

　　例：通过GzipCodec的Stream对象对字符串"Text"进行压缩，然后使用gunzip从标准输入中对它进行读取并解压缩：

　　% echo "Text" | hadoop StreamCompressor org.apache.hadoop.io.compress.GzipCodec | gunzip

　　(2) 通过CompressionCodecFactory推断CompressCodec

　　CompressionCodecFactory的getCodec()方法可以将文件扩展名映射到一个CompressionCodec，该方法去文件Path对象欧威参数。

　　例：由文件扩展名推断而来的codec对文件进行解压缩

public class FileDecompressor{
    public static void main(String[] args) {
        String uri = args[0];
        Configuration conf = new Configuration();
        FileSystem fs = FileSyste.get(URI.create(uri),conf);
        
        Path inputPath = new Path(uri);
        CompressionCodecFactory factory = new CompressionCodecFactory(conf);
        CompressionCodec codec = factory.getCodec(inputPath);
        if(codec == null){
            System.err.println("No codec found for "+uri);
            System.exit(1);
        }
        
　　　　　// 一旦找到对应的codec，便去除文件扩展名行成输出文件名
        String outputUri = CompressionCodecFactory.removeSuffix(uri,codec.getDefaultExtension());
        InputStream in = null;
        OutputStream out = null;
        try{
            in = codec.createInputStream(fs.open(inputPath));
            out = fs.create(new Path(outputUri));
            IOUtils.copyBytes(in,out,conf);
        }finally{
            IOUtils.closeStream(in);
            IOUtils.closeStream(out);
        }
    }
}

　　例：一个名为file.gz的文件可以通过下面的程序压缩为名为file的文件：

　　% hadoop FileDecompressor file.gz

　　下表为压缩codec的属性：

　　

　　(3) 原生类库 

　　原生类库可以提供压缩/解压缩性能。注意：并非所有格式都有原生实现。

　　可以通过Java系统的java.library.path属性指定原生代码库。默认情况下，Hadoop会根据自身运行的平台搜索原生代码库。禁用原生代码库，将属性hadoop.native.lib的值设置成false即可。