HADOOP 离线计算机系统【二】HDFS详解

灰太狼 2022-11-20 00:59 389阅读 0赞

### HDFS详解 ###

*  \*\*\*\*\*\*HDFS基本概念篇\*\*\*\*\*\*
 *  1.HDFS前言
 *  2. HDFS的概念和特性
 *  \*\*\*\*\*\*HDFS基本操作篇\*\*\*\*\*\*
 *  3. HDFS的shell(命令行客户端)操作
 *   *  3.1 HDFS命令行客户端使用
     *  3.2 命令行客户端支持的命令参
     *  3.2 常用命令参数介绍
 *  \*\*\*\*\*\*HDFS原理篇\*\*\*\*\*\*
 *  4.hdfs的工作机制
 *   *   *   *  \*\*详细请看 ：HDFS 详解:\*\* \[https://blog.csdn.net/wzq18845280610/article/details/110188742\](https://blog.csdn.net/wzq18845280610/article/details/110188742).
     *  4.1 概述
     *  4.2 HDFS写数据流程
     *   *  4.2.1 概述
         *  4.2.2 详细步骤图
         *  4.2.3 详细步骤解析
     *  4.3. HDFS读数据流程
     *   *  4.3.1 概述
         *  4.3.2 详细步骤图
         *  4.3.3 详细步骤解析
 *  5. NAMENODE工作机制
 *   *  5.1 NAMENODE职责
     *  5.2 元数据管理
     *   *  5.2.1 元数据存储机制
         *  5.2.2 元数据的checkpoint
         *   *  checkpoint的附带作用
 *  6. DATANODE的工作机制
 *   *  6.1 概述
     *  6.2 观察验证DATANODE功能
 *  \*\*\*\*\*\*HDFS应用开发篇\*\*\*\*\*\*
 *  7. HDFS的java操作
 *   *  7.1 搭建开发环境
     *  7.2 获取api中的客户端对象
     *  7.3 DistributedFileSystem实例对象所具备的方法
     *  7.4 HDFS客户端操作数据代码示例：
     *   *  7.4.1 文件的增删改查
         *  7.4.2 通过流的方式访问hdfs
         *  7.4.3 场景编程
 *  8. 案例1：开发shell采集脚本
 *   *  8.1需求说明
     *  8.2需求分析
     *  8.3技术分析
     *  8.4实现流程
     *   *  8.4.1日志产生程序
         *  8.4.2伪代码
     *  8.5代码实现
     *  8.6效果展示及操作步骤
 *  9. 案例2：开发JAVA采集程序
 *   *  9.1 需求
     *  9.2 设计分析

# **HDFS基本概念篇** #

# 1.HDFS前言 #

2.HDFS( Hadoop distributed File System )  
设计思想  
分而治之：将大文件、大批量文件，分布式存放在大量服务器上，以便于采取分而治之的方式对海量数据进行运算分析；

在大数据系统中作用：  
为各类分布式运算框架（如：mapreduce，spark，hive , tez，……）提供数据存储服务

***重点概念：文件切块，副本存放，元数据***

# 2. HDFS的概念和特性 #

**首先，它是一个文件系统**，用于存储文件，通过统一的命名空间——目录树来定位文件

**其次，它是分布式的**，由很多服务器联合起来实现其功能，集群中的服务器有各自的角色；

重要特性如下：  
**（1）HDFS中的文件在物理上是分块存储（block），块的大小可以通过配置参数( dfs.blocksize)来规定，默认大小在hadoop2.x版本中是128M，老版本中是64M  
（2）HDFS文件系统会给客户端提供一个统一的抽象目录树，客户端通过路径来访问文件，形如：hdfs://namenode:port/dir-a/dir-b/dir-c/file.data  
（3）目录结构及文件分块信息(元数据)的管理由namenode节点承担  
——namenode是HDFS集群主节点，负责维护整个hdfs文件系统的目录树，以及每一个路径（文件）所对应的block块信息（block的id，及所在的datanode服务器）  
（4）文件的各个block的存储管理由datanode节点承担  
\---- datanode是HDFS集群从节点，每一个block都可以在多个datanode上存储多个副本（副本数量也可以通过参数设置dfs.replication）  
（5）HDFS是设计成适应一次写入，多次读出的场景，且不支持文件的修**

> 注：适合用来做数据分析，并不适合用来做网盘应用，因为，不便修改，延迟大，网络开销大，成本太高

# **HDFS基本操作篇** #

# 3. HDFS的shell(命令行客户端)操作 #

## 3.1 HDFS命令行客户端使用 ##

HDFS提供shell命令行客户端，使用方法如下：  
![在这里插入图片描述][20201126143552621.png_pic_center]

## 3.2 命令行客户端支持的命令参 ##

[-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] <localsrc> ... <dst>]
        [-copyToLocal [-p] [-ignoreCrc] [-crc] <src> ... <localdst>]
        [-count [-q] <path> ...]
        [-cp [-f] [-p] <src> ... <dst>]
        [-createSnapshot <snapshotDir> [<snapshotName>]]
        [-deleteSnapshot <snapshotDir> <snapshotName>]
        [-df [-h] [<path> ...]]
        [-du [-s] [-h] <path> ...]
        [-expunge]
        [-get [-p] [-ignoreCrc] [-crc] <src> ... <localdst>]
        [-getfacl [-R] <path>]
        [-getmerge [-nl] <src> <localdst>]
        [-help [cmd ...]]
        [-ls [-d] [-h] [-R] [<path> ...]]
        [-mkdir [-p] <path> ...]
        [-moveFromLocal <localsrc> ... <dst>]
        [-moveToLocal <src> <localdst>]
        [-mv <src> ... <dst>]
        [-put [-f] [-p] <localsrc> ... <dst>]
        [-renameSnapshot <snapshotDir> <oldName> <newName>]
        [-rm [-f] [-r|-R] [-skipTrash] <src> ...]
        [-rmdir [--ignore-fail-on-non-empty] <dir> ...]
        [-setfacl [-R] [{-b|-k} {-m|-x <acl_spec>} <path>]|[--set <acl_spec> <path>]]
        [-setrep [-R] [-w] <rep> <path> ...]
        [-stat [format] <path> ...]
        [-tail [-f] <file>]
        [-test -[defsz] <path>]
        [-text [-ignoreCrc] <src> ...]
        [-touchz <path> ...]
        [-usage [cmd ...]]

## 3.2 常用命令参数介绍 ##

\-help

**功能：输出这个命令参数手册**

\-ls

**功能：显示目录信息**  
示例： hadoop fs -ls hdfs://hadoop-server01:9000/  
备注：这些参数中，所有的hdfs路径都可以简写  
–>hadoop fs -ls / 等同于上一条命令的效果

\-mkdir

**功能：在hdfs上创建目录**  
示例：hadoop fs -mkdir -p /aaa/bbb/cc/dd

\-moveToLocal

**功能：从hdfs剪切粘贴到本地**  
示例：hadoop fs - moveToLocal /aaa/bbb/cc/dd /home/hadoop/a.txt

\-moveFromLocal

**功能：从本地剪切粘贴到hdfs**  
示例：hadoop fs - moveFromLocal /home/hadoop/a.txt /aaa/bbb/cc/dd

–appendToFile

**功能：追加一个文件到已经存在的文件末尾**  
示例：hadoop fs -appendToFile ./hello.txt hdfs://hadoop- server01:9000/hello.txt  
可以简写为：  
Hadoop fs -appendToFile ./hello.txt /hello.txt

\-cat

**功能：显示文件内容**  
示例：hadoop fs -cat /hello.txt

\-tail

**功能：显示一个文件的末尾**  
示例：hadoop fs -tail /weblog/access\_log.1

\-text

**功能：以字符形式打印一个文件的内容**  
示例：hadoop fs -text /weblog/access\_log.1

**-chgrp  
\-chmod  
\-chown**

: **功能：linux文件系统中的用法一样，对文件所属权限**

示例：  
hadoop fs -chmod 666 /hello.txt  
hadoop fs -chown someuser:somegrp /hello.txt

\-copyFromLocal

**功能：从本地文件系统中拷贝文件到hdfs路径去**  
示例：hadoop fs -copyFromLocal ./jdk.tar.gz /aaa/

\-copyToLocal

**功能：从hdfs拷贝到本地**  
示例：hadoop fs -copyToLocal /aaa/jdk.tar.gz

\-cp

**功能：从hdfs的一个路径拷贝hdfs的另一个路径**  
示例： hadoop fs -cp /aaa/jdk.tar.gz /bbb/jdk.tar.gz.2

\-mv

**功能：在hdfs目录中移动文件**  
示例： hadoop fs -mv /aaa/jdk.tar.gz /

\-get

**功能：等同于copyToLocal，就是从hdfs下载文件到本地**  
示例：hadoop fs -get /aaa/jdk.tar.gz

\-getmerge

**功能：合并下载多个文件**  
示例：比如hdfs的目录 /aaa/下有多个文件:log.1, log.2,log.3,…  
hadoop fs -getmerge /aaa/log.\* ./log.sum

\-put

**功能：等同于copyFromLocal**  
示例：hadoop fs -put /aaa/jdk.tar.gz /bbb/jdk.tar.gz.2

\-rm

**功能：删除文件或文件夹**  
示例：hadoop fs -rm -r /aaa/bbb/

\-rmdir

**功能：删除空目录**  
示例：hadoop fs -rmdir /aaa/bbb/ccc

\-df

**功能：统计文件系统的可用空间信息**  
示例：hadoop fs -df -h /

\-du

**功能：统计文件夹的大小信息**  
示例：  
hadoop fs -du -s -h /aaa/\*

\-count

**功能：统计一个指定目录下的文件节点数量**  
示例：hadoop fs -count /aaa/

\-setrep

**功能：设置hdfs中文件的副本数量**  
示例：hadoop fs -setrep 3 /aaa/jdk.tar.gz  
<这里设置的副本数只是记录在namenode的元数据中，是否真的会有这么 多副本，还得看datanode的数量>

# **HDFS原理篇** #

# 4.hdfs的工作机制 #

#### **详细请看 ：HDFS 详解:** [https://blog.csdn.net/wzq18845280610/article/details/110188742][https_blog.csdn.net_wzq18845280610_article_details_110188742]. ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw_size_16_color_FFFFFF_t_70_pic_center]

## 4.1 概述 ##

> 1.HDFS集群分为两大角色：NameNode、DataNode、  
> 2.NameNode负责管理整个文件系统的元数据（block日志，镜像文件fsimage ）  
> 3.DataNode 负责管理用户的文件数据块  
> 4.文件会按照固定的大小（blocksize）切成若干块后分布式存储在若干台datanode上  
> 5.每一个文件块可以有多个副本，并存放在不同的datanode上  
> 6.Datanode会定期向Namenode汇报自身所保存的文件block信息，而namenode则会负责保持文件的副本数量  
> 7.HDFS的内部工作机制对客户端保持透明，客户端请求访问HDFS都是通过向namenode申请来进行

## 4.2 HDFS写数据流程 ##

### 4.2.1 概述 ###

客户端要向HDFS写数据，首先要跟namenode通信以确认可以写文件并获得接收文件block的datanode，然后，客户端按顺序将文件逐个block传递给相应datanode，并由接收到block的datanode负责向其他datanode复制block的副本

### 4.2.2 详细步骤图 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw_size_16_color_FFFFFF_t_70_pic_center 1]

### 4.2.3 详细步骤解析 ###

> 1、客户端根namenode通信请求上传文件，namenode检查目标文件是否已存在，父目录是否存在  
> 2、namenode返回是否可以上传  
> 3、client请求第一个 block该传输到哪些datanode服务器上  
> 4、namenode返回3个datanode服务器ABC  
> 5、client请求3台dn中的一台A上传数据（本质上是一个RPC调用，建立pipeline），A收到请求会继续调用B，然后B调用C，将真个pipeline建立完成，逐级返回客户端  
> 6、client开始往A上传第一个block（先从磁盘读取数据放到一个本地内存缓存），以packet为单位，A收到一个packet就会传给B，B传给C；A每传一个packet会放入一个应答队列等待应答  
> 7、当一个block传输完成之后，client再次请求namenode上传第二个block的服务器。

## 4.3. HDFS读数据流程 ##

### 4.3.1 概述 ###

客户端将要读取的文件路径发送给namenode，namenode获取文件的元信息（主要是block的存放位置信息）返回给客户端，客户端根据返回的信息找到相应datanode逐个获取文件的block并在客户端本地进行数据追加合并从而获得整个文件

### 4.3.2 详细步骤图 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw_size_16_color_FFFFFF_t_70_pic_center 2]

### 4.3.3 详细步骤解析 ###

> 1、跟namenode通信查询元数据，找到文件块所在的datanode服务器  
> 2、挑选一台datanode（就近原则，然后随机）服务器，请求建立socket流  
> 3、datanode开始发送数据（从磁盘里面读取数据放入流，以packet(包)为单位来做校验）  
> 4、客户端以packet为单位接收，现在本地缓存，然后写入目标文件

# 5. NAMENODE工作机制 #

**学习目标**：*理解namenode的工作机制尤其是元数据管理机制，以增强对HDFS工作原理的理解，及培养hadoop集群运营中“性能调优”、“namenode”故障问题的分析解决能力*

## 5.1 NAMENODE职责 ##

***NAMENODE职责：***  
负责客户端请求的响应  
元数据的管理（查询，修改)

## 5.2 元数据管理 ##

namenode对数据的管理采用了三种存储形式：  
内存元数据(NameSystem)  
磁盘元数据镜像文件  
数据操作日志文件（可通过日志运算出元数据）

### 5.2.1 元数据存储机制 ###

A、内存中有一份完整的元数据(内存meta data)  
B、磁盘有一个“准完整”的元数据镜像（fsimage）文件(在namenode的工作目录中)  
C、用于衔接内存metadata和持久化元数据镜像fsimage之间的操作日志（edits文件）

> 注：当客户端对hdfs中的文件进行新增或者修改操作，操作记录首先被记入edits日志文件中，当客户端操作成功后，相应的元数据会更新到内存meta.data中

### 5.2.2 元数据的checkpoint ###

每隔一段时间，会由secondary namenode将namenode上积累的所有edits和一个最新的fsimage下载到本地，并加载到内存进行merge（这个过程称为checkpoint）

secondary Namenode 的作用:为namenode提供服务: 合并日志和镜像文件.

#### checkpoint的附带作用 ####

> namenode和secondary namenode的工作目录存储结构完全相同，所以，当namenode故障退出需要重新恢复时，可以从secondary namenode的工作目录中将fsimage拷贝到namenode的工作目录，以恢复namenode的元数据

# 6. DATANODE的工作机制 #

## 6.1 概述 ##

**1、Datanode工作职责：**  
存储管理用户的文件块数据  
定期向namenode汇报自身所持有的block信息（通过心跳信息上报）  
（**这点很重要，因为，当集群中发生某些block副本失效时，集群如何恢复block初始副本数量的问题**）

<property>
    	<name>dfs.blockreport.intervalMsec</name>
    	<value>3600000</value>
    	<description>Determines block reporting interval in milliseconds.</description>
    </property>

**2、Datanode掉线判断时限参数**  
datanode进程死亡或者网络故障造成datanode无法与namenode通信，namenode不会立即把该节点判定为死亡，要经过一段时间，这段时间暂称作超时时长。HDFS默认的超时时长为10分钟+30秒。如果定义超时时间为timeout，则超时时长的计算公式为：  
timeout = 2 \* heartbeat.recheck.interval + 10 \* dfs.heartbeat.interval。  
而默认的heartbeat.recheck.interval 大小为5分钟，dfs.heartbeat.interval默认为3秒。  
需要注意的是hdfs-site.xml 配置文件中的heartbeat.recheck.interval的单位为毫秒，dfs.heartbeat.interval的单位为秒。所以，举个例子，如果heartbeat.recheck.interval设置为5000（毫秒），dfs.heartbeat.interval设置为3（秒，默认），则总的超时时间为40秒。

<property>
            <name>heartbeat.recheck.interval</name>
            <value>2000</value>
    </property>
    <property>
            <name>dfs.heartbeat.interval</name>
            <value>1</value>
    </property>

## 6.2 观察验证DATANODE功能 ##

> 上传一个文件，观察文件的block具体的物理存放情况：

> 在每一台datanode机器上的这个目录中能找到文件的切块：  
> /home/hadoop/app/hadoop-2.4.1/tmp/dfs/data/current/BP-193442119-192.168.2.120-1432457733977/current/finalized

# **HDFS应用开发篇** #

# 7. HDFS的java操作 #

> hdfs在生产应用中主要是客户端的开发，其核心步骤是从hdfs提供的api中构造一个HDFS的访问客户端对象，然后通过该客户端对象操作（增删改查）HDFS上的文件

## 7.1 搭建开发环境 ##

1、引入依赖

<dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-client</artifactId>
        <version>2.6.1</version>
    </dependency>

> 注：如需手动引入jar包，hdfs的jar包----hadoop的安装目录的share下

2、window下开发的说明

建议在linux下进行hadoop应用的开发，不会存在兼容性问题。如在window上做客户端应用开发，需要设置以下环境：

**A、在windows的某个目录下解压一个hadoop的安装包  
B、将安装包下的lib和bin目录用对应windows版本平台编译的本地库替换  
C、在window系统中配置HADOOP\_HOME指向你解压的安装包  
D、在windows系统的path变量中加入hadoop的bin目录**

## 7.2 获取api中的客户端对象 ##

在java中操作hdfs，首先要获得一个客户端实例

Configuration conf = new Configuration()
    FileSystem fs = FileSystem.get(conf)

而我们的操作目标是HDFS，所以获取到的fs对象应该是DistributedFileSystem的实例；  
**get方法是从何处判断具体实例化那种客户端类呢**？  
——从conf中的一个参数 fs.defaultFS的配置值判断；

如果我们的代码中没有指定fs.defaultFS，并且工程classpath下也没有给定相应的配置，conf中的默认值就来自于hadoop的jar包中的core-default.xml，默认值为： file:///，则获取的将不是一个DistributedFileSystem的实例，而是一个本地文件系统的客户端对象

## 7.3 DistributedFileSystem实例对象所具备的方法 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw_size_16_color_FFFFFF_t_70_pic_center 3]

## 7.4 HDFS客户端操作数据代码示例： ##

### 7.4.1 文件的增删改查 ###

public class HdfsClient {
        
    
    	FileSystem fs = null;
    
    	@Before
    	public void init() throws Exception {
        
    
    		// 构造一个配置参数对象，设置一个参数：我们要访问的hdfs的URI
    		// 从而FileSystem.get()方法就知道应该是去构造一个访问hdfs文件系统的客户端，以及hdfs的访问地址
    		// new Configuration();的时候，它就会去加载jar包中的hdfs-default.xml
    		// 然后再加载classpath下的hdfs-site.xml
    		Configuration conf = new Configuration();
    		conf.set("fs.defaultFS", "hdfs://hdp-node01:9000");
    		/**
    		 * 参数优先级： 1、客户端代码中设置的值 2、classpath下的用户自定义配置文件 3、然后是服务器的默认配置
    		 */
    		conf.set("dfs.replication", "3");
    
    		// 获取一个hdfs的访问客户端，根据参数，这个实例应该是DistributedFileSystem的实例
    		// fs = FileSystem.get(conf);
    
    		// 如果这样去获取，那conf里面就可以不要配"fs.defaultFS"参数，而且，这个客户端的身份标识已经是hadoop用户
    		fs = FileSystem.get(new URI("hdfs://hdp-node01:9000"), conf, "hadoop");
    
    	}
    
    	/**
    	 * 往hdfs上传文件
    	 * 
    	 * @throws Exception
    	 */
    	@Test
    	public void testAddFileToHdfs() throws Exception {
        
    
    		// 要上传的文件所在的本地路径
    		Path src = new Path("g:/redis-recommend.zip");
    		// 要上传到hdfs的目标路径
    		Path dst = new Path("/aaa");
    		fs.copyFromLocalFile(src, dst);
    		fs.close();
    	}
    
    	/**
    	 * 从hdfs中复制文件到本地文件系统
    	 * 
    	 * @throws IOException
    	 * @throws IllegalArgumentException
    	 */
    	@Test
    	public void testDownloadFileToLocal() throws IllegalArgumentException, IOException {
        
    		fs.copyToLocalFile(new Path("/jdk-7u65-linux-i586.tar.gz"), new Path("d:/"));
    		fs.close();
    	}
    
    	@Test
    	public void testMkdirAndDeleteAndRename() throws IllegalArgumentException, IOException {
        
    
    		// 创建目录
    		fs.mkdirs(new Path("/a1/b1/c1"));
    
    		// 删除文件夹 ，如果是非空文件夹，参数2必须给值true
    		fs.delete(new Path("/aaa"), true);
    
    		// 重命名文件或文件夹
    		fs.rename(new Path("/a1"), new Path("/a2"));
    
    	}
    
    	/**
    	 * 查看目录信息，只显示文件
    	 * 
    	 * @throws IOException
    	 * @throws IllegalArgumentException
    	 * @throws FileNotFoundException
    	 */
    	@Test
    	public void testListFiles() throws FileNotFoundException, IllegalArgumentException, IOException {
        
    
    		// 思考：为什么返回迭代器，而不是List之类的容器
    		RemoteIterator<LocatedFileStatus> listFiles = fs.listFiles(new Path("/"), true);
    
    		while (listFiles.hasNext()) {
        
    			LocatedFileStatus fileStatus = listFiles.next();
    			System.out.println(fileStatus.getPath().getName());
    			System.out.println(fileStatus.getBlockSize());
    			System.out.println(fileStatus.getPermission());
    			System.out.println(fileStatus.getLen());
    			BlockLocation[] blockLocations = fileStatus.getBlockLocations();
    			for (BlockLocation bl : blockLocations) {
        
    				System.out.println("block-length:" + bl.getLength() + "--" + "block-offset:" + bl.getOffset());
    				String[] hosts = bl.getHosts();
    				for (String host : hosts) {
        
    					System.out.println(host);
    				}
    			}
    			System.out.println("--------------为angelababy打印的分割线--------------");
    		}
    	}
    
    	/**
    	 * 查看文件及文件夹信息
    	 * 
    	 * @throws IOException
    	 * @throws IllegalArgumentException
    	 * @throws FileNotFoundException
    	 */
    	@Test
    	public void testListAll() throws FileNotFoundException, IllegalArgumentException, IOException {
        
    
    		FileStatus[] listStatus = fs.listStatus(new Path("/"));
    
    		String flag = "d--             ";
    		for (FileStatus fstatus : listStatus) {
        
    			if (fstatus.isFile())  flag = "f--         ";
    			System.out.println(flag + fstatus.getPath().getName());
    		}
    	}
    }

### 7.4.2 通过流的方式访问hdfs ###

/**
     * 相对那些封装好的方法而言的更底层一些的操作方式
     * 上层那些mapreduce   spark等运算框架，去hdfs中获取数据的时候，就是调的这种底层的api
     * @author
     *
     */
    public class StreamAccess {
        
    	
    	FileSystem fs = null;
    
    	@Before
    	public void init() throws Exception {
        
    
    		Configuration conf = new Configuration();
    		fs = FileSystem.get(new URI("hdfs://hdp-node01:9000"), conf, "hadoop");
    
    	}
    	
    	
    	
    	@Test
    	public void testDownLoadFileToLocal() throws IllegalArgumentException, IOException{
        
    		
    		//先获取一个文件的输入流----针对hdfs上的
    		FSDataInputStream in = fs.open(new Path("/jdk-7u65-linux-i586.tar.gz"));
    		
    		//再构造一个文件的输出流----针对本地的
    		FileOutputStream out = new FileOutputStream(new File("c:/jdk.tar.gz"));
    		
    		//再将输入流中数据传输到输出流
    		IOUtils.copyBytes(in, out, 4096);
    		
    		
    	}
    	
    	
    	/**
    	 * hdfs支持随机定位进行文件读取，而且可以方便地读取指定长度
    	 * 用于上层分布式运算框架并发处理数据
    	 * @throws IllegalArgumentException
    	 * @throws IOException
    	 */
    	@Test
    	public void testRandomAccess() throws IllegalArgumentException, IOException{
        
    		//先获取一个文件的输入流----针对hdfs上的
    		FSDataInputStream in = fs.open(new Path("/iloveyou.txt"));
    		
    		
    		//可以将流的起始偏移量进行自定义
    		in.seek(22);
    		
    		//再构造一个文件的输出流----针对本地的
    		FileOutputStream out = new FileOutputStream(new File("c:/iloveyou.line.2.txt"));
    		
    		IOUtils.copyBytes(in,out,19L,true);
    		
    	}
    	
    	
    	
    	/**
    	 * 显示hdfs上文件的内容
    	 * @throws IOException 
    	 * @throws IllegalArgumentException 
    	 */
    	@Test
    	public void testCat() throws IllegalArgumentException, IOException{
        
    		
    		FSDataInputStream in = fs.open(new Path("/iloveyou.txt"));
    		
    		IOUtils.copyBytes(in, System.out, 1024);
    	}
    }

### 7.4.3 场景编程 ###

> 在mapreduce 、spark等运算框架中，有一个核心思想就是将运算移往数据，或者说，就是要在并发计算中尽可能让运算本地化，这就需要获取数据所在位置的信息并进行相应范围读取  
> 以下模拟实现：获取一个文件的所有block位置信息，然后读取指定block中的内容

@Test
    	public void testCat() throws IllegalArgumentException, IOException{
        
    		
    		FSDataInputStream in = fs.open(new Path("/weblog/input/access.log.10"));
    		//拿到文件信息
    		FileStatus[] listStatus = fs.listStatus(new Path("/weblog/input/access.log.10"));
    		//获取这个文件的所有block的信息
    		BlockLocation[] fileBlockLocations = fs.getFileBlockLocations(listStatus[0], 0L, listStatus[0].getLen());
    		//第一个block的长度
    		long length = fileBlockLocations[0].getLength();
    		//第一个block的起始偏移量
    		long offset = fileBlockLocations[0].getOffset();
    		
    		System.out.println(length);
    		System.out.println(offset);
    		
    		//获取第一个block写入输出流
    //		IOUtils.copyBytes(in, System.out, (int)length);
    		byte[] b = new byte[4096];
    		
    		FileOutputStream os = new FileOutputStream(new File("d:/block0"));
    		while(in.read(offset, b, 0, 4096)!=-1){
        
    			os.write(b);
    			offset += 4096;
    			if(offset>=length) return;
    		};
    		os.flush();
    		os.close();
    		in.close();
    	}

# 8. 案例1：开发shell采集脚本 #

## 8.1需求说明 ##

点击流日志每天都10T，在业务应用服务器上，需要准实时上传至数据仓库（Hadoop HDFS）上

## 8.2需求分析 ##

一般上传文件都是在凌晨24点操作，由于很多种类的业务数据都要在晚上进行传输，为了减轻服务器的压力，避开高峰期。  
如果需要伪实时的上传，则采用定时上传的方式

## 8.3技术分析 ##

HDFS SHELL:  hadoop fs  –put   xxxx.tar  /data    还可以使用 Java Api
     		满足上传一个文件，不能满足定时、周期性传入。
     定时调度器：
    	Linux crontab
    	crontab -e

\***/5 \* \* \* \* $home/bin/command.sh //五分钟执行一次**  
系统会自动执行脚本，每5分钟一次，执行时判断文件是否符合上传规则，符合则上传

## 8.4实现流程 ##

### 8.4.1日志产生程序 ###

日志产生程序将日志生成后，产生一个一个的文件，使用滚动模式创建文件名。  
![在这里插入图片描述][20201126150947762.png_pic_center]  
日志生成的逻辑由业务系统决定，比如在log4j配置文件中配置生成规则，如：当xxxx.log 等于10G时，滚动生成新日志

log4j.logger.msg=info,msg
    log4j.appender.msg=cn.maoxiangyi.MyRollingFileAppender
    log4j.appender.msg.layout=org.apache.log4j.PatternLayout
    log4j.appender.msg.layout.ConversionPattern=%m%n
    log4j.appender.msg.datePattern='.'yyyy-MM-dd
    log4j.appender.msg.Threshold=info
    log4j.appender.msg.append=true
    log4j.appender.msg.encoding=UTF-8
    log4j.appender.msg.MaxBackupIndex=100
    log4j.appender.msg.MaxFileSize=10GB
    log4j.appender.msg.File=/home/hadoop/logs/log/access.log

细节：  
**1、如果日志文件后缀是1\\2\\3等数字，该文件满足需求可以上传的话。把该文件移动到准备上传的工作区间。  
2、工作区间有文件之后，可以使用hadoop put命令将文件上传。  
阶段问题：  
1、待上传文件的工作区间的文件，在上传完成之后，是否需要删除掉。**

### 8.4.2伪代码 ###

> 使用ls命令读取指定路径下的所有文件信息，  
> ls | while read line  
> //判断line这个文件名称是否符合规则  
> if line=access.log.\* (  
> 将文件移动到待上传的工作区间  
> )

> //批量上传工作区间的文件  
> hadoop fs –put xxx

脚本写完之后，配置linux定时任务，每5分钟运行一次。

## 8.5代码实现 ##

**代码第一版本，实现基本的上传功能和定时调度功能**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw_size_16_color_FFFFFF_t_70_pic_center 4]  
**代码第二版本：增强版V2(基本能用，还是不够健全**)  
![在这里插入图片描述][20201126151140419.png_pic_center]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw_size_16_color_FFFFFF_t_70_pic_center 5]

## 8.6效果展示及操作步骤 ##

1、**日志收集文件收集数据，并将数据保存起来，效果如下**：  
![在这里插入图片描述][20201126151204611.png_pic_center]  
2、**上传程序通过crontab定时调度**

![在这里插入图片描述][20201126151224898.png_pic_center]  
**3、程序运行时产生的临时文件**  
![在这里插入图片描述][20201126151235324.png_pic_center]  
**4、Hadoo hdfs上的效果**  
![在这里插入图片描述][20201126151247388.png_pic_center]

# 9. 案例2：开发JAVA采集程序 #

## 9.1 需求 ##

从外部购买数据，数据提供方会实时将数据推送到6台FTP服务器上，我方部署6台接口采集机来对接采集数据，并上传到HDFS中

提供商在FTP上生成数据的规则是以小时为单位建立文件夹(2016-03-11-10)，每分钟生成一个文件（00.dat,01.data,02.dat,…）

提供方不提供数据备份，推送到FTP服务器的数据如果丢失，不再重新提供，且FTP服务器磁盘空间有限，最多存储最近10小时内的数据

由于每一个文件比较小，只有150M左右，因此，我方在上传到HDFS过程中，需要将15分钟时段的数据合并成一个文件上传到HDFS

为了区分数据丢失的责任，我方在下载数据时最好进行校验

## 9.2 设计分析 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw_size_16_color_FFFFFF_t_70_pic_center 6]

[20201126143552621.png_pic_center]: /images/20221120/0bd3d53bc08040fca61ffd7d267ecfd0.png
[https_blog.csdn.net_wzq18845280610_article_details_110188742]: https://blog.csdn.net/wzq18845280610/article/details/110188742
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw_size_16_color_FFFFFF_t_70_pic_center]: /images/20221120/7c32f1a4d35d4546bb89de5981e9bf40.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221120/c530bdb82c8546fea435cd5e24e8b603.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw_size_16_color_FFFFFF_t_70_pic_center 2]: https://img-blog.csdnimg.cn/20201126145745501.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw_size_16_color_FFFFFF_t_70_pic_center 3]: https://img-blog.csdnimg.cn/20201126150604677.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw,size_16,color_FFFFFF,t_70#pic_center
[20201126150947762.png_pic_center]: https://img-blog.csdnimg.cn/20201126150947762.png#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw_size_16_color_FFFFFF_t_70_pic_center 4]: https://img-blog.csdnimg.cn/202011261511225.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw,size_16,color_FFFFFF,t_70#pic_center
[20201126151140419.png_pic_center]: https://img-blog.csdnimg.cn/20201126151140419.png#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw_size_16_color_FFFFFF_t_70_pic_center 5]: https://img-blog.csdnimg.cn/20201126151145194.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw,size_16,color_FFFFFF,t_70#pic_center
[20201126151204611.png_pic_center]: https://img-blog.csdnimg.cn/20201126151204611.png#pic_center
[20201126151224898.png_pic_center]: https://img-blog.csdnimg.cn/20201126151224898.png#pic_center
[20201126151235324.png_pic_center]: https://img-blog.csdnimg.cn/20201126151235324.png#pic_center
[20201126151247388.png_pic_center]: https://img-blog.csdnimg.cn/20201126151247388.png#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw_size_16_color_FFFFFF_t_70_pic_center 6]: https://img-blog.csdnimg.cn/20201126151342607.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw,size_16,color_FFFFFF,t_70#pic_center