1. HDFS前言
l 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；
l 在大数据系统中作用：
为各类分布式运算框架（如：mapreduce，spark，tez，……）提供数据存储服务
l 重点概念：文件切块，副本存放，元数据
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，且不支持文件的修改
(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
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：
命令行客户端支持的命令参数
|
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 |
-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 -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 |
--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 |
HDFS原理篇******
4. hdfs的工作机制
（工作机制的学习主要是为加深对分布式系统的理解，以及增强遇到各种问题时的分析解决能力，形成一定的集群运维能力）
注：很多不是真正理解hadoop技术体系的人会常常觉得HDFS可用于网盘类应用，但实际并非如此。要想将技术准确用在恰当的地方，必须对技术有深刻的理解
4.1、概述
1. HDFS集群分为两大角色：NameNode、DataNode (Secondary Namenode)
2. NameNode负责管理整个文件系统的元数据
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
4.2.3、详细步骤解析
客户端是在代码中创建的，用来操控服务端；
1、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，A在存放时首先会将数据放在一个缓存上，然后后面的进程会将缓存中的数据同步分配到本机架的存储空间中和不同机架的缓存中，另一台机器会将缓存中的数据同步放到本机架的存储空间中。
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。
注意：
Ø 上传的时候是每个packet上传一次，但是在上传的时候会进行校验，校验的单位为packet中的chunk，这个chunk一般为512byte；
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
问题总结：
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、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
Namenode的工作流程：
1、 客户端有两个功能，一个是查询元数据；另一个是更新元数据；元数据主要是放在内存中，以加速读取；
2、 内存中的元数据会定时的存在服务器的一个文件上，即将内存中的内容序列化到文件中，此时可以定时完成，比如30分钟，或者一个小时；但是这样存在一个问题，就是内存中的内容与文件中的内容有一个小时的差异，如果服务器在这一个小时挂掉，对应的数据也会遗失，所以需要更健全的措施；
3、 因此需要另外一个角色，secondarynamenode，主要是做image镜像文件的管理，当有数据更新时，首先在内存中更新，更新完后将数据记录操作日志，数据在更新时，需要edit日志文件，在日志中对应的文件是一行行添加，然后再将内容添加到文件中；如果恢复，则按照日志中的内容逐行恢复；恢复的过程中，是基于元数据文件，按照日志文件进行逆向操作，便可以恢复相应的数据内容；
4、 但是，如果我的机器已经运行很久，edits会有很多很多，则重启时会有很久的时间，因此需要用secondary namenode来做；
5、 Snn中需要将文件先合并（checkpoint），定时触发或者根据edit中的记录数量，比如达到一万条则触发；sn就会发一条请求给nn，进行edits日志合并；
6、 如果回复可以合并，此时snn就会将nn中的edits文件合并，然后将对应的文件下载下来，加载到snn内存中后，将合并后的元数据重命名成fsimage.chkpoint，dump成新的image文件，然后上传到nn中，并进行重命名；
Ø Hdfs不适合存储大量的小文件，因为如果有大量的小文件生成，则会频繁的发生文件的上传，会导致数据变慢；
Ø 如果namenode宕机，则hdfs服务是否能正常提供？
不能，因为snn没有查询更新的功能，只是为nn提供数据合并和上传功能；
Ø 如果namenode硬件损坏，元数据是否能够恢复，如果能恢复怎么进行恢复？
可以将snn的工作目录直接在启动时加载成nn的工作目录即可；
这种方式可以恢复绝大部分，因为snn中有绝大部分数据；
尝试：
1） 查看根目录下的data文件夹，创建新的文件夹hadoopfs -mkdir /test
2） 删除namenode的工作目录，rm -rf hdpdata/，这个文件夹只有重新format，然后start-dfs.sh之后才会重新建立，但重新建立的文件夹是没有数据的，需要重新建立；
3） 此时再启动namenode：hadoop-daemon.shstart namenode 启动不起来;
4） 然后将snn中的hdpdata文件夹复制到nn目录下；
5） 但是如果将namenode删除后，snn并不能替代nn，只有snn时启动不起来；
Ø 通过以上思考，我们在配置namenode工作目录参数时，有什么注意点？
主要是为了避免上面问题，可以让namenode目录放在多块磁盘上：
在hdfs-site.xml下配置：
然后重新加载即可；
.\Stop-dfs.sh;
.\Start-dfs.sh;
nn如果配多个目录，则多个磁盘会存入相同的数据；
DataNode则会统一看成一个空间，存完一个再存下一个；
问题场景：
1、集群启动后，可以查看文件，但是上传文件时报错，打开web页面可看到namenode正处于safemode状态，怎么处理？
2、Namenode服务器的磁盘故障导致namenode宕机，如何挽救集群及数据？
3、Namenode是否可以有多个？namenode内存要配置多大？namenode跟集群数据存储能力有关系吗？
4、文件的blocksize究竟调大好还是调小好？
……
诸如此类问题的回答，都需要基于对namenode自身的工作原理的深刻理解
5.1、NameNode职责
NAMENODE职责：
1）负责客户端请求的相应；
2）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
1）内存中有一份完整的元数据(内存meta data)
2）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)
3）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、元数据手动查看
可以通过HDFS的一个工具来查看edits中的信息
bin/hdfs oev -i edits -o edits.xmlbin/hdfs oiv -i fsimage_0000000000000000087 -p XML -o fsimage.xml5.2.3、元数据的checkpoint
每隔一段时间，会有sn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）
checkpoint的详细过程
checkpoint操作的触发条件配置参数
dfs.namenode.checkpoint.check.period=60 #检查触发条件是否满足的频率，60秒 dfs.namenode.checkpoint.dir=file://${hadoop.tmp.dir}/dfs/namesecondary #以上两个参数做checkpoint操作时，secondary namenode的本地工作目录 dfs.namenode.checkpoint.edits.dir=${dfs.namenode.checkpoint.dir} dfs.namenode.checkpoint.max-retries=3 #最大重试次数 dfs.namenode.checkpoint.period=3600 #两次checkpoint之间的时间间隔3600秒 dfs.namenode.checkpoint.txns=1000000 #两次checkpoint之间最大的操作记录 |
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
5.2.4 元数据目录说明
在第一次部署好Hadoop集群的时候，我们需要在NameNode（NN）节点上格式化磁盘：
$HADOOP_HOME/bin/hdfs namenode -format |
格式化完成之后，将会在$dfs.namenode.name.dir/current目录下如下的文件结构
|
其中的dfs.name.dir是在hdfs-site.xml文件中配置的，默认值如下：
|
dfs.namenode.name.dir属性可以配置多个目录，
如/data1/dfs/name,/data2/dfs/name,/data3/dfs/name,....。各个目录存储的文件结构和内容都完全一样，相当于备份，这样做的好处是当其中一个目录损坏了，也不会影响到Hadoop的元数据，特别是当其中一个目录是NFS（网络文件系统Network File System，NFS）之上，即使你这台机器损坏了，元数据也得到保存。
下面对$dfs.namenode.name.dir/current/目录下的文件进行解释。
1、VERSION文件是Java属性文件，内容大致如下：
|
其中：
（1）、namespaceID是文件系统的唯一标识符，在文件系统首次格式化之后生成的；
（2）、storageType说明这个文件存储的是什么进程的数据结构信息（如果是DataNode，storageType=DATA_NODE）；
（3）、cTime表示NameNode存储时间的创建时间，由于我的NameNode没有更新过，所以这里的记录值为0，以后对NameNode升级之后，cTime将会记录更新时间戳；
（4）、layoutVersion表示HDFS永久性数据结构的版本信息，只要数据结构变更，版本号也要递减，此时的HDFS也需要升级，否则磁盘仍旧是使用旧版本的数据结构，这会导致新版本的NameNode无法使用；
（5）、clusterID是系统生成或手动指定的集群ID，在-clusterid选项中可以使用它；如下说明：
a、使用如下命令格式化一个Namenode：
$HADOOP_HOME/bin/hdfs namenode -format[-clusterId <cluster_id>]
选择一个唯一的cluster_id，并且这个cluster_id不能与环境中其他集群有冲突。如果没有提供cluster_id，则会自动生成一个唯一的ClusterID。
b、使用如下命令格式化其他Namenode：
$HADOOP_HOME/bin/hdfs namenode -format-clusterId <cluster_id>
c、升级集群至最新版本。在升级过程中需要提供一个ClusterID，例如：
$HADOOP_PREFIX_HOME/bin/hdfs startnamenode --config $HADOOP_CONF_DIR -upgrade -clusterId <cluster_ID>
如果没有提供ClusterID，则会自动生成一个ClusterID。
（6）、blockpoolID：是针对每一个Namespace所对应的blockpool的ID，上面的这个BP-893790215-192.168.24.72-1383809616115就是在我的ns1的namespace下的存储块池的ID，这个ID包括了其对应的NameNode节点的ip地址。
2、$dfs.namenode.name.dir/current/seen_txid非常重要，是存放transactionId的文件，format之后是0，它代表的是namenode里面的edits_*文件的尾数，namenode重启的时候，会按照seen_txid的数字，循序从头跑edits_0000001~到seen_txid的数字。所以当你的hdfs发生异常重启的时候，一定要比对seen_txid内的数字是不是你edits最后的尾数，不然会发生建置namenode时metaData的资料有缺少，导致误删Datanode上多余Block的资讯。
3、$dfs.namenode.name.dir/current目录下在format的同时也会生成fsimage和edits文件，及其对应的md5校验文件。
补充：seen_txid：每重启一次其对应的值会增加一个1；
文件中记录的是edits滚动的序号，每次重启namenode时，namenode就知道要将哪些edits进行加载edits，加载到内存中去。
Ø 为什么能从edits里面将元数据合并出来？
1）元数据中是一个特定的数据内存结构，类似于hashmap，即键值对；
2）假设很早就upload一个a，内存中有c，d等；
3）过一段时间有人操作mv a aa；如果数据在内存中可以很容易的操作，如果数据在镜4）像中则相对较为困难，因此产生日志，将镜像文件中的内容加载到内存中，然后根据日志，反向操作，等日志全部执行完成后，镜像加载到内存中的数据为最新的数据，此时再生成一个文件即为一个最新的文件（最终状态的文件）。
6、DataNode的工作机制
问题场景：
1、集群容量不够，怎么扩容？
2、如果有一些datanode宕机，该怎么办？
3、datanode明明已启动，但是集群中的可用datanode列表中就是没有，怎么办？
以上这类问题的解答，有赖于对datanode工作机制的深刻理解
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）
下面是间隔时长，即多久汇报一次：
<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-193442119-192.168.2.120-432457733977/current/finalized
MapReduce中根据某一个指定的api，来分片资源；
HDFS应用开发篇******
调通linux的环境后，需要在java中编写代码，此时可以创建一个普通的java project也可以创建一个maven项目，当创建一个java project项目时，需要导入相应的jar包，导入的方法为：
在hadoop2.6.5的文件中找到对应的jar文件，然后放置在固定的位置：
然后在eclipse中创建一个java project项目，右键单击项目名称，找到build path选项，进入configure build path弹窗：
点击“libraries”，“Add Library”，进入到library弹窗，选择“user library”：
点击next，然后点击“Userlibrary”选框，点击“new”：
填写一个名称，然后再点击“Add External jars”导入jar包，一路OK，最终导入成功。
然后编写hadoop的代码：
packagehadoop_pro.bigdata.hdfs;
import java.io.IOException;
importorg.apache.hadoop.conf.Configuration;
importorg.apache.hadoop.fs.FileSystem;
importorg.apache.hadoop.fs.Path;
import org.junit.Before;
import org.junit.Test;
public class HdfsClientDemo {
FileSystem fs = null;
@Before
public void init() throws IOException{
//先写一个通讯系统，主要是分布系统中应用
Configuration conf = new Configuration();
//拿到一个文件系统操作的客户端实例对象；hadoop的文件系统是可插拔的，可以用hdfs，也可以用本地系统；
//此地的fs是一个特定的文件系统，所以不应该在此定义，应将fs的定义放在方法的外面。
conf.set("fs.DEFAULT_FS","hdfs://mycluster");
fs = FileSystem.get(conf);
}
//做完init之后可以进行文件的上传下载操作：
@Test
public void testUpload() throws Exception, IOException{
fs.copyFromLocalFile(newPath("F:/hadoop-file/core-site.xml"),newPath("/access.log.copy"));
fs.close();
}
//文件下载：
@Test
public void testDownload() throws Exception, IOException{
fs.copyToLocalFile(newPath("c:/access.log"), newPath("/access.log.copy"));
fs.close();
}
}通过以上的代码文件无法进入到hdfs路径中，因为此时这个文件键入到了本机的根目录下。
因此需要增加hdfs的路径：hdfs://mycluster.
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
搭建开发环境
1、引入依赖
|
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
|
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
Hadoop常用的命令：
Hdfsdfsadmin -report：查看hadoop的状态；
7.4、 HDFS客户端操作数据代码示例：
文件的增删改查
|
通过流的方式访问hdfs
|
HDFS提供了一套指定的api来访问分片的数据资源：
分片存储资源：
通过流的方式上传文件到HDFS：
通过流的形式下载文件：
那么如何取指定一段范围：
数据资源会分成两部分，一部分是从零读到12；另一部分是从12读到末尾；
上面的代码显示读了60兆+60兆的内容；
但是数据处理时结果会出现问题，分切片时有一些避免机制；
数据显示在屏幕上：
呈现节点的信息：
从这个节点可以看到rpc协议的应用：
客户端、namenode、snn等节点之间有各种rpc请求，为方便操作，就需要有一个rpc框架，
1）客户端请求namenode：
2）nn请求snn：
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；在tomcat中的log汇聚到hdfs中，主要是在tomcat中加入一段连接hdfs的java文件，将网站的日志读取出来并传入到hdfs中。
此处是使用shell脚本，读取log中的文件，然后传入到hdfs中。
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
HDFSSHELL: 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。
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
|
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
)
脚本写完之后，配置linux定时任务，每5分钟运行一次。
在hadoop环境下构建日志文件夹：
然后模拟本地产生数据：
日志文件产生的目录在：
log_src_dir=/usr/apps/hadoop/hadoop-2.6.5/logs/log/在本地构建待上传目录：
然后将jar文件导入到linux服务器上，然后执行这个对应的jar包：
此时在服务器中就可以看到对应的log中有access.log文件。
然后需要进行脚本运行安装：
编写上面的sh文件，然后chmod -x*.sh文件；
运行sh文件即可得到；
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
代码第二版本：增强版V2(基本能用，还是不够健全)
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：
2、上传程序通过crontab定时调度
3、程序运行时产生的临时文件
4、Hadoo hdfs上的效果
