Hadoop2.6.0学习笔记（二）HDFS访问

鲁春利的工作笔记，谁说程序员不能有文艺范？

我们提供的服务有：做网站、网站设计、微信公众号开发、网站优化、网站认证、拜泉ssl等。为成百上千家企事业单位解决了网站和推广的问题。提供周到的售前咨询和贴心的售后服务，是有科学管理、有技术的拜泉网站制作公司

通过hadoop shell与java api访问hdfs

工作笔记之Hadoop2.6集群搭建已经将集群环境搭建好了，下面来进行一些HDFS的操作

1、HDFS的shell访问

    HDFS设计主要用来对海量数据进行处理，即HDFS上存储大量文件。HDFS将这些文件进行分割后存储在不同的DataNode上。HDFS提供了一个shell接口，屏蔽了block存储的内部细节，所有的Hadoop操作均由bin/hadoop脚本引发。

    不指定任何参数的hadoop命令将打印所有命令的描述，与hdfs文件相关的操作为hadoop fs（hadoop脚本其他的命令此处不涉及）。

[hadoop@nnode ~]$ hadoop fs 
Usage: hadoop fs [generic options]
        [-appendToFile  ... ]
        [-cat [-ignoreCrc]  ...]
        [-checksum  ...]
        [-chgrp [-R] GROUP PATH...]
        [-chmod [-R]  PATH...]
        [-chown [-R] [OWNER][:[GROUP]] PATH...]
        [-copyFromLocal [-f] [-p] [-l]  ... ]
        [-copyToLocal [-p] [-ignoreCrc] [-crc]  ... ]
        [-count [-q] [-h]  ...]
        [-cp [-f] [-p | -p[topax]]  ... ]
        [-createSnapshot  []]
        [-deleteSnapshot  ]
        [-df [-h] [ ...]]
        [-du [-s] [-h]  ...]
        [-expunge]
        [-get [-p] [-ignoreCrc] [-crc]  ... ]
        [-getfacl [-R] ]
        [-getfattr [-R] {-n name | -d} [-e en] ]
        [-getmerge [-nl]  ]
        [-help [cmd ...]]
        [-ls [-d] [-h] [-R] [ ...]]
        [-mkdir [-p]  ...]
        [-moveFromLocal  ... ]
        [-moveToLocal  ]
        [-mv  ... ]
        [-put [-f] [-p] [-l]  ... ]
        [-renameSnapshot   ]
        [-rm [-f] [-r|-R] [-skipTrash]  ...]
        [-rmdir [--ignore-fail-on-non-empty]  ...]
        [-setfacl [-R] [{-b|-k} {-m|-x } ]|[--set  ]]
        [-setfattr {-n name [-v value] | -x name} ]
        [-setrep [-R] [-w]   ...]
        [-stat [format]  ...]
        [-tail [-f] ]
        [-test -[defsz] ]
        [-text [-ignoreCrc]  ...]
        [-touchz  ...]
        [-usage [cmd ...]]

Generic options supported are
-conf      specify an application configuration file
-D             use value for given property
-fs       specify a namenode
-jt     specify a ResourceManager
-files     specify comma separated files to be copied to the map reduce cluster
-libjars     specify comma separated jar files to include in the classpath.
-archives     specify comma separated archives to be unarchived on the compute machines.

The general command line syntax is
bin/hadoop command [genericOptions] [commandOptions]

    hadoop2.6版本中提示hadoop fs为“Deprecated, use hdfs dfs instead.”（2.6之前的版本未接触过，这里就没有深究从哪一个版本开始的，但是hadoop fs仍然可以使用）。

[hadoop@nnode ~]$ hdfs dfs 
Usage: hadoop fs [generic options]
        [-appendToFile  ... ]
        [-cat [-ignoreCrc]  ...]
        [-checksum  ...]
        [-chgrp [-R] GROUP PATH...]
        [-chmod [-R]  PATH...]
        [-chown [-R] [OWNER][:[GROUP]] PATH...]
        [-copyFromLocal [-f] [-p] [-l]  ... ]
        [-copyToLocal [-p] [-ignoreCrc] [-crc]  ... ]
        [-count [-q] [-h]  ...]
        [-cp [-f] [-p | -p[topax]]  ... ]
        [-createSnapshot  []]
        [-deleteSnapshot  ]
        [-df [-h] [ ...]]
        [-du [-s] [-h]  ...]
        [-expunge]
        [-get [-p] [-ignoreCrc] [-crc]  ... ]
        [-getfacl [-R] ]
        [-getfattr [-R] {-n name | -d} [-e en] ]
        [-getmerge [-nl]  ]
        [-help [cmd ...]]
        [-ls [-d] [-h] [-R] [ ...]]
        [-mkdir [-p]  ...]
        [-moveFromLocal  ... ]
        [-moveToLocal  ]
        [-mv  ... ]
        [-put [-f] [-p] [-l]  ... ]
        [-renameSnapshot   ]
        [-rm [-f] [-r|-R] [-skipTrash]  ...]
        [-rmdir [--ignore-fail-on-non-empty]  ...]
        [-setfacl [-R] [{-b|-k} {-m|-x } ]|[--set  ]]
        [-setfattr {-n name [-v value] | -x name} ]
        [-setrep [-R] [-w]   ...]
        [-stat [format]  ...]
        [-tail [-f] ]
        [-test -[defsz] ]
        [-text [-ignoreCrc]  ...]
        [-touchz  ...]
        [-usage [cmd ...]]

Generic options supported are
-conf      specify an application configuration file
-D             use value for given property
-fs       specify a namenode
-jt     specify a ResourceManager
-files     specify comma separated files to be copied to the map reduce cluster
-libjars     specify comma separated jar files to include in the classpath.
-archives     specify comma separated archives to be unarchived on the compute machines.

The general command line syntax is
bin/hadoop command [genericOptions] [commandOptions]

如：

[hadoop@nnode ~]$ hdfs dfs -ls -R /user/hadoop
-rw-r--r--   2 hadoop hadoop       2297 2015-06-29 14:44 /user/hadoop/20130913152700.txt.gz
-rw-r--r--   2 hadoop hadoop        211 2015-06-29 14:45 /user/hadoop/20130913160307.txt.gz
-rw-r--r--   2 hadoop hadoop   93046447 2015-07-18 18:01 /user/hadoop/apache-hive-1.2.0-bin.tar.gz
-rw-r--r--   2 hadoop hadoop    4139112 2015-06-28 22:54 /user/hadoop/httpInterceptor_192.168.1.101_1_20130913160307.txt
-rw-r--r--   2 hadoop hadoop        240 2015-05-30 20:54 /user/hadoop/lucl.gz
-rw-r--r--   2 hadoop hadoop         63 2015-05-27 23:55 /user/hadoop/lucl.txt
-rw-r--r--   2 hadoop hadoop    9994248 2015-06-29 14:12 /user/hadoop/scalog.txt
-rw-r--r--   2 hadoop hadoop    2664495 2015-06-28 20:54 /user/hadoop/scalog.txt.gz
-rw-r--r--   3 hadoop hadoop   28026803 2015-06-24 21:16 /user/hadoop/test.txt.gz
-rw-r--r--   2 hadoop hadoop      28551 2015-05-27 23:54 /user/hadoop/zookeeper.out
[hadoop@nnode ~]$ 
# 这里的点为当前目录，我是通过hadoop用户操作的因此类似于/user/hadoop
# hdfs默认具有/user/{hadoop-user},但是在/下也可以自己通过mkdir命令来创建自己的目录
[hadoop@nnode ~]$ hdfs dfs -ls -R .
-rw-r--r--   2 hadoop hadoop       2297 2015-06-29 14:44 20130913152700.txt.gz
-rw-r--r--   2 hadoop hadoop        211 2015-06-29 14:45 20130913160307.txt.gz
-rw-r--r--   2 hadoop hadoop   93046447 2015-07-18 18:01 apache-hive-1.2.0-bin.tar.gz
-rw-r--r--   2 hadoop hadoop    4139112 2015-06-28 22:54 httpInterceptor_192.168.1.101_1_20130913160307.txt
-rw-r--r--   2 hadoop hadoop        240 2015-05-30 20:54 lucl.gz
-rw-r--r--   2 hadoop hadoop         63 2015-05-27 23:55 lucl.txt
-rw-r--r--   2 hadoop hadoop    9994248 2015-06-29 14:12 scalog.txt
-rw-r--r--   2 hadoop hadoop    2664495 2015-06-28 20:54 scalog.txt.gz
-rw-r--r--   3 hadoop hadoop   28026803 2015-06-24 21:16 test.txt.gz
-rw-r--r--   2 hadoop hadoop      28551 2015-05-27 23:54 zookeeper.out
[hadoop@nnode ~]$

    如果不清楚hdfs命令的详细操作，可以查看帮助信息：

[hadoop@nnode ~]$ hdfs dfs -help ls
-ls [-d] [-h] [-R] [ ...] :
  List the contents that match the specified file pattern. If path is not
  specified, the contents of /user/ will be listed. Directory entries are of the form:
        permissions - userId groupId sizeOfDirectory(in bytes)
  modificationDate(yyyy-MM-dd HH:mm) directoryName
  
  and file entries are of the form:
        permissions numberOfReplicas userId groupId sizeOfFile(in bytes)
  modificationDate(yyyy-MM-dd HH:mm) fileName
                   
  -d  Directories are listed as plain files.
   
  -h  Formats the sizes of files in a human-readable fashion rather than a number of bytes.
  
  -R  Recursively list the contents of directories.
  
[hadoop@nnode ~]$

2、HDFS的Java API访问

    Hadoop中通过DataNode节点存储数据，而NameNode节点则记录数据的存储位置。Hadoop中各部分的通信基于RPC来实现，NameNode也是hadoop中RPC的server端（dfs.namenode.rpc-address说明了rpc端的主机名和端口号），而Hadoop提供的FileSystem类为hadoop中RPC Client的抽象实现。

    a.) 通过java.util.URL来读取hdfs的数据

    为了让java程序能够识别Hadoop的hdfs URL需要通过URL的setURLStreamHandlerFactory(...);

    每个Java虚拟机只能调用依次这个方法，因此通常在静态方法中调用。

package com.invic.hdfs;

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

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

/**
 * 
 * @author lucl
 * @ 通过java api来访问hdfs上特定的数据
 *
 */
public class MyHdfsOfJavaApi {
    
    static {
        /**
         * 为了让java程序能够识别hadoop的hdfs url需要配置额外的URLStreamHandlerFactory
         * 如下方法java虚拟机只能调用一次，若原有的其他程序已经声明过该factory，则我的java程序将无法从hadoop中读取数据
         */
        URL.setURLStreamHandlerFactory(new FsUrlStreamHandlerFactory());
    }

    public static void main(String[] args) throws IOException {
        String path = "hdfs://nnode:8020/user/hadoop/lucl.txt";
        InputStream in = new URL(path).openStream();
        OutputStream ou = System.out;
        int buffer = 4096;
        boolean close = false;
        IOUtils.copyBytes(in, ou, buffer, close);
        
        IOUtils.closeStream(in);
    }
}

    b.) 通过Hadoop的FileSystem来访问HDFS

    Hadoop有一个抽象的文件系统概念，HDFS只是其中的一个实现。java抽象类org.apache.hadoop.fs.FileSystem定义了Hadoop中的一个文件系统接口。

java.lang.Object
  org.apache.hadoop.conf.Configured
      org.apache.hadoop.fs.FileSystem
          |--org.apache.hadoop.fs.FilterFileSystem
             |----org.apache.hadoop.fs.ChecksumFileSystem
                  |----org.apache.hadoop.fs.LocalFileSystem
            |--org.apache.hadoop.fs.ftp.FTPFileSystem
          |--org.apache.hadoop.fs.s3native.NativeS3FileSystem
          |--org.apache.hadoop.fs.RawLocalFileSystem
          |--org.apache.hadoop.fs.viewfs.ViewFileSystem

package com.invic.hdfs;

import java.io.IOException;
import java.io.OutputStream;
import java.net.URI;
import java.util.Scanner;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FSDataOutputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.FileUtil;
import org.apache.hadoop.fs.LocatedFileStatus;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.fs.PathFilter;
import org.apache.hadoop.fs.RemoteIterator;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.util.Progressable;

/**
 * 
 * @author lucl
 * @ 通过FileSystem API来实现    
 *  FileSystem get(Configuration)            通过设置配置文件core-site.xml读取类路径来实现，默认本地文件系统            
 *  FileSystem get(URI, Configuration)       通过URI来设定要使用的文件系统
 *  FileSystem get(URI, Configuration, user) 作为给定用户来访问文件系统，对安全来说至关重要
 */
public class MyHdfsOfFS {

    private static String HOST = "hdfs://nnode";
    private static String PORT = "8020";
    
    private static String NAMENODE = HOST + ":" + PORT;
    
    public static void main(String[] args) throws IOException {
        Configuration conf = new Configuration();
        
        String path = NAMENODE + "/user/";
        
        /**
         * 由于这里设计的为hadoop的user目录，默认会查询hdfs的用户家目录下的文件
         */
        String user = "hadoop";
        FileSystem fs = null;
        try {
            fs = FileSystem.get(URI.create(path), conf, user);
        } catch (InterruptedException e) {
            e.printStackTrace();
        }
        
        if (null == fs) {
            return;
        }
        
        /**
         * 递归创建目录
         */
        boolean mkdirs = fs.mkdirs(new Path("invic/test/mvtech"));
        if (mkdirs) {
            System.out.println("Dir ‘invic/test/mvtech’ create success.");
        }
        
        /**
         * 判断目录是否存在
         */
        boolean exists = fs.exists(new Path("invic/test/mvtech"));
        if (exists) {
            System.out.println("Dir ‘invic/test/mvtech’ exists.");
        }
        
        /**
         * FSDataInputStream支持随意位置访问
         * 这里的lucl.txt默认查找路径为/user/Administrator/lucl.txt
             因为我是windows的eclipse
         * 如果我上面的get方法最后指定了user
             则查询的路径为/user/get方法指定的user/lucl.txt
         */
        FSDataInputStream in = fs.open(new Path("lucl.txt"));
        
        OutputStream os = System.out;
        
        int buffSize = 4098;
        
        boolean close = false;
        
        IOUtils.copyBytes(in, os, buffSize, close);
        
        System.out.println("\r\n跳到文件开始重新读取文件。。。。。。");
        in.seek(0);
        IOUtils.copyBytes(in, os, buffSize, close);
        
        IOUtils.closeStream(in);
        
        /**
         * 创建文件
         */
        FSDataOutputStream create = fs.create(new Path("sample.txt"));
        create.write("This is my first sample file.".getBytes());
        create.flush();
        create.close();
        
        /**
         * 文件拷贝
         */
        fs.copyFromLocalFile(new Path("F:\\Mvtech\\ftpfile\\cg-10086.com.csv"), 
        new Path("cg-10086.com.csv"));
        
        /**
         * 文件追加
         */
        FSDataOutputStream append = fs.append(new Path("sample.txt"));
        append.writeChars("\r\n");
        append.writeChars("New day, new World.");
        append.writeChars("\r\n");
        
        IOUtils.closeStream(append);
        
        /**
         * progress的使用
         */
        FSDataOutputStream progress = fs.create(new Path("progress.txt"), 
        new Progressable() {
            
            @Override
            public void progress() {
                System.out.println("write is in progress......");
            }
        });
        
        // 接收键盘输入到hdfs上
        Scanner sc = new Scanner(System.in);
        System.out.print("Please type your enter : ");
        String name = sc.nextLine();
        while (!"quit".equals(name)) {
            if (null == name || "".equals(name.trim())) {
                continue;
            }
            progress.writeChars(name);
            
            System.out.print("Please type your enter : ");
            name = sc.nextLine();
        }
        
        /**
         * 递归列出文件
         */
        RemoteIterator it = fs.listFiles(new Path(path), true);
        while (it.hasNext()) {
            LocatedFileStatus loc = it.next();
            System.out.println(loc.getPath().getName() + "|" + loc.getLen() + "|" 
            + loc.getOwner()); 
        }
        
        /**
         * 文件或目录元数据：文件长度、块大小、复本、修改时间、所有者及权限信息
         */
        FileStatus status = fs.getFileStatus(new Path("lucl.txt"));
        System.out.println(status.getPath().getName() + "|" + 
        status.getPath().getParent().getName() + "|" + status.getBlockSize() + "|" 
        + status.getReplication() + "|" + status.getOwner());
        
        /**
         * 列出目录中文件listStatus，若参数为文件则以数组方式返回长度为1的FileStatus对象
         */
        fs.listStatus(new Path(path));
        fs.listStatus(new Path(path), new PathFilter() {
            
            @Override
            public boolean accept(Path tmpPath) {
                String tmpName = tmpPath.getName();
                if (tmpName.endsWith(".txt")) {
                    return true;
                }
                return false;
            }
        });
        
        // 可以传入一组路径，会最终累计合并成一个数组返回
        // fs.listStatus(Path [] files);
        FileStatus [] mergeStatus = fs.listStatus(new Path[]{new Path("lucl.txt"),
         new Path("progress.txt"), new Path("sample.txt")});
        Path [] listPaths = FileUtil.stat2Paths(mergeStatus);
        for (Path p : listPaths) {
            System.out.println(p);
        }
        
        /**
         * 文件模式匹配
         */
        FileStatus [] patternStatus = fs.globStatus(new Path("*.txt"));
        for (FileStatus stat : patternStatus) {
            System.out.println(stat.getPath());
        }
        
        /**
         * 删除数据
         */
        boolean recursive = true;
        fs.delete(new Path("demo.txt"), recursive);
        
        fs.close();
    }
}

    c.) 访问HDFS集群

package com.invic.hdfs;

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.LocatedFileStatus;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.fs.RemoteIterator;
import org.apache.log4j.Logger;

/**
 * 
 * @author lucl
 * @ 通过访问hadoop集群来访问hdfs
 *
 */
public class MyClusterHdfs {

    public static void main(String[] args) throws IOException {
        System.setProperty("hadoop.home.dir", "E:\\Hadoop\\hadoop-2.6.0\\hadoop-2.6.0\\");
        
        Logger logger = Logger.getLogger(MyClusterHdfs.class);
         
        Configuration conf = new Configuration();
        
        conf.set("fs.defaultFS", "hdfs://cluster");
        conf.set("dfs.nameservices", "cluster");
        conf.set("dfs.ha.namenodes.cluster", "nn1,nn2");
        conf.set("dfs.namenode.rpc-address.cluster.nn1", "nnode:8020");
        conf.set("dfs.namenode.rpc-address.cluster.nn2", "dnode1:8020");
        conf.set("dfs.client.failover.proxy.provider.cluster", 
                "org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider");
        
        FileSystem fs = FileSystem.get(conf);
        
        
        RemoteIterator it = fs.listFiles(new Path("/"), true);
        while (it.hasNext()) {
            LocatedFileStatus loc = it.next();
            logger.info(loc.getPath().getName() + "|" + loc.getLen() + loc.getOwner()); 
        }
        
        /*for (int i = 0; i < 500; i++) {
            String str = "the sequence is " + i;
            logger.info(str);
        }*/
        
        try {
            Thread.sleep(10);
        } catch (InterruptedException e) {
            e.printStackTrace();
        }
        System.exit(0);
    }
}

说明：

System.setProperty("hadoop.home.dir", "E:\\Hadoop\\hadoop-2.6.0\\hadoop-2.6.0\\");
# 在main方法的第一行配置hadoop的home路径，否则在Windows下可能报错如下：
15/07/19 22:05:54 DEBUG util.Shell: Failed to detect a valid hadoop home directory
java.io.IOException: HADOOP_HOME or hadoop.home.dir are not set.
    at org.apache.hadoop.util.Shell.checkHadoopHome(Shell.java:302)
    at org.apache.hadoop.util.Shell.(Shell.java:327)
    at org.apache.hadoop.util.GenericOptionsParser.preProcessForWindows(GenericOptionsParser.java:438)
    at org.apache.hadoop.util.GenericOptionsParser.parseGeneralOptions(GenericOptionsParser.java:484)
    at org.apache.hadoop.util.GenericOptionsParser.(GenericOptionsParser.java:170)
    at org.apache.hadoop.util.GenericOptionsParser.(GenericOptionsParser.java:153)
    at org.apache.hadoop.util.ToolRunner.run(ToolRunner.java:64)
    at org.apache.hadoop.util.ToolRunner.run(ToolRunner.java:84)
    at com.invic.mapreduce.wordcount.WordCounterTool.main(WordCounterTool.java:29)
15/07/19 22:05:54 ERROR util.Shell: Failed to locate the winutils binary in the hadoop binary path
java.io.IOException: Could not locate executable null\bin\winutils.exe in the Hadoop binaries.
    at org.apache.hadoop.util.Shell.getQualifiedBinPath(Shell.java:355)
    at org.apache.hadoop.util.Shell.getWinUtilsPath(Shell.java:370)
    at org.apache.hadoop.util.Shell.(Shell.java:363)
    at org.apache.hadoop.util.GenericOptionsParser.preProcessForWindows(GenericOptionsParser.java:438)
    at org.apache.hadoop.util.GenericOptionsParser.parseGeneralOptions(GenericOptionsParser.java:484)
    at org.apache.hadoop.util.GenericOptionsParser.(GenericOptionsParser.java:170)
    at org.apache.hadoop.util.GenericOptionsParser.(GenericOptionsParser.java:153)
    at org.apache.hadoop.util.ToolRunner.run(ToolRunner.java:64)
    at org.apache.hadoop.util.ToolRunner.run(ToolRunner.java:84)
    at com.invic.mapreduce.wordcount.WordCounterTool.main(WordCounterTool.java:29)