HDFS入门和应用开发：实战微博HDFS案例（下）

继上一篇文章，我们继续实战学习HDFS微博案例。

十一、需求：追加数据到HDFS数据文件

在数据集中有一个caixukun_new.csv数据集，是20190811这一天重新生成的数据。我们需要将这个文件上传到HDFS中。有两种做法：

1. 直接将新文件上传到HDFS中20190811文件夹中。
2. 将新文件追加到之前的数据文件caixukun.csv中。

这里，我们更倾向于使用第二种方案。HDFS设计的初衷就是存储超大型的文件，文件数量越少，也可以减小HDFS中的NameNode压力。

（1）appendToFile命令

追加一个或者多个文件到hdfs指定文件中.也可以从命令行读取输入

语法格式：

hdfs dfs -appendToFile <localsrc> ... <dst>

 （2）追加文件到HDFS已有文件中

# 1. 上传新的数据文件到Linux中 [root@node1 ~]# rz rz waiting to receive. ?a? zmodem ′??. °′ Ctrl+C ??. Transferring caixukun_new.csv... 100% 2755 KB 2755 KB/s 00:00:01 0 ′? # 2. 查看HDFS现有文件大小 [root@node1 ~]# hdfs dfs -ls -h /source/weibo/star/comment_log/20190811_node1.itcast.cn/ Found 1 items -rw-r--r-- 3 root supergroup 30.8 M 2020-10-15 23:28 /source/weibo/star/comment_log/20190811_node1.itcast.cn/caixukun.csv # 3. 追加到HDFS现有文件 hdfs dfs -appendToFile caixukun_new.csv /source/weibo/star/comment_log/20190811_node1.itcast.cn/caixukun.csv # 4. 再次查看HDFS文件大小 [root@node1 ~]# hdfs dfs -ls -h /source/weibo/star/comment_log/20190811_node1.itcast.cn/ Found 1 items -rw-r--r-- 3 root supergroup 33.4 M 2020-10-15 23:44 /source/weibo/star/comment_log/20190811_node1.itcast.cn/caixukun.csv

 十二、需求：查看当前HDFS磁盘空间

每一天微博都会产生很多的数据，我们非常有必要定期检查HDFS的整体磁盘空间，如果发现磁盘空间已经到达某个阈值，就需要新增新的DataNode节点了。

（1）df命令

df命令用来查看HDFS空闲的空间。

hdfs dfs -df [-h] URI [URI ...]

（2）查看HDFS磁盘使用情况

[root@node1 ~]# hdfs dfs -df -h / Filesystem Size Used Available Use% hdfs://node1.itcast.cn:9820 346.6 G 2.1 G 236.7 G 1%

十三、需求：查看微博数据占用的空间

我们想知道当前微博数据占用了多少空间。可以使用du命令。

（1）du命令

显示目录中所有文件大小，当只指定一个文件时，显示此文件的大小。

语法格式：

hdfs dfs -du [-s] [-h] [-v] [-x] URI [URI ...]

命令选项：

1. -s：表示显示文件长度的汇总摘要，而不是单个文件的摘要。
2. -h：选项将以“人类可读”的方式格式化文件大小
3. -v：选项将列名显示为标题行。
4. -x：选项将从结果计算中排除快照。

（2）查看微博数据占用空间大小

[root@node1 ~]# hdfs dfs -du -s -h -v /source/weibo/ SIZE DISK_SPACE_CONSUMED_WITH_ALL_REPLICAS FULL_PATH_NAME 64.2 M 192.6 M /source/weibo

十四、需求：将20190810的数据移动到tmp目录

经分析程序检测，20190810这一天的数据里面存在大量垃圾数据，项目组决定，先将这些垃圾数据处理了，再放回到20190810目录中。首先需要将数据移动到tmp目录中，进行处理。

（1）mv 命令

将hdfs上的文件从原路径移动到目标路径（移动之后文件删除），该命令不能跨文件系统。

hdfs dfs -mv URL <dest>

（2）移动到tmp目录

[root@node1 ~]# hdfs dfs -mv /source/weibo/star/comment_log/20190810_node1.itcast.cn/caixukun.csv /tmp/caixukun_dirtydata.csv [root@node1 ~]# hdfs dfs -ls /tmp/ Found 1 items -rw-r--r-- 3 root supergroup 32252088 2020-10-15 23:04 /tmp/caixukun_dirtydata.csv

十五、需求：减少副本数提升存储资源利用率

HDFS中默认每个block会保存三个副本，同样一份数据需要存3份。假设，此处我们需要将 /source/weibo/start/comment_log/20190811_node1.itcast.cn 因为已经过去了很久，我们对该目录下的文件容错要求较低、而且数据使用频率也较低，所以，我们可以将它的副本数调整为2，此时我们需要使用setrep命令。

setrep 命令

hdfs dfs -setrep [-R] [-w] <numReplicas> <path>

更改文件的副本因子。 如果path是目录，则该命令以递归方式更改以path为根的目录树下所有文件的复制因子。

参数：

-w：标志请求命令等待复制完成。 这可能会花费很长时间。 -R：标志是为了向后兼容。 没有作用。

2.设置/source/weibo/star/comment_log/副本数

[root@node1 ~]# hdfs dfs -setrep -w 2 /source/weibo/star/comment_log Replication 2 set: /source/weibo/star/comment_log/20190811_node1.itcast.cn/caixukun.csv Waiting for /source/weibo/star/comment_log/20190811_node1.itcast.cn/caixukun.csv ... WARNING: the waiting time may be long for DECREASING the number of replications. . done

十六、更多shell操作

命令	说明
checksum	返回文件的校验和信息。
[root@node1 ~]# hdfs dfs -checksum /source/weibo/star/comment_log/20190811_node1.itcast.cn/caixukun.csv /source/weibo/star/comment_log/20190811_node1.itcast.cn/caixukun.csv    MD5-of-0MD5-of-512CRC32C        000002000000000000000000d79e10d1da5484d351f7c9776849c3bb
copyFromLocal	与put命令类似，将本地文件拷贝到HDFS。但put命令可以传多个文件、或者是标准输入（-）
[root@node1 ~]# hdfs dfs -copyFromLocal caixukun_new.csv /tmp [root@node1 ~]# hdfs dfs -ls /tmp Found 3 items -rw-r--r--   3 root supergroup   32252088 2020-10-15 23:04 /tmp/caixukun_dirtydata.csv -rw-r--r--   3 root supergroup    2821683 2020-10-16 09:24 /tmp/caixukun_new.csv -rw-r--r--   3 root supergroup         24 2020-10-16 09:21 /tmp/test
copyToLocal	与get命令类似，但只拷贝到一个本地文件
[root@node1 ~]# hdfs dfs -copyToLocal /tmp/test [root@node1 ~]# ll total 34260 -rw-r--r-- 1 root root 32252088 Oct 15 23:11 caixukun.csv -rw-r--r-- 1 root root  2821683 Oct 15 23:29 caixukun_new.csv -rw-r--r-- 1 root root       24 Oct 16 09:28 test
count	计算与指定文件模式匹配的路径下的目录，文件和字节数。 获取配额和使用情况。 具有-count的输出列是：DIR_COUNT，FILE_COUNT，CONTENT_SIZE，PATHNAME
[root@node1 ~]# hdfs dfs -count -q -v -h /source        QUOTA       REM_QUOTA     SPACE_QUOTA REM_SPACE_QUOTA    DIR_COUNT   FILE_COUNT       CONTENT_SIZE PATHNAME         none             inf            none             inf            6            1             33.4 M /source
find	查找与指定表达式匹配的所有文件，并对它们应用选定的操作。 如果未指定路径，则默认为当前工作目录。 如果未指定表达式，则默认为-print。
[root@node1 ~]# hdfs dfs -find / -name "caixukun*" -print /source/weibo/star/comment_log/20190811_node1.itcast.cn/caixukun.csv /tmp/caixukun_dirtydata.csv /tmp/caixukun_new.csv
getfattr	显示文件或目录的扩展属性名称和值。
setfattr	设置文件或目录的扩展属性名称和值。
getmerge	下载多个HDFS上的文件并合并为1个文件
stat	以指定格式打印有关<path>上文件/目录的统计信息。 hdfs dfs -stat "type:%F perm:%a %u:%g size:%b mtime:%y atime:%x name:%n" /
test	测试，判断是否存在、是否是文件夹、是否是文件、是有有读权限、写权限等
text	获取源文件并以文本格式输出文件。 允许的格式是zip和TextRecordInputStream。
touch	在HDFS上创建一个新的文件，并可以指定访问时间、修改时间、
touchz	创建一个空文件。 如果文件存在，则返回错误。
truncate	将与指定文件截断为指定长度。 [root@node1 ~]# hdfs dfs -truncate -w 10485760 /tmp/caixukun_dirtydata.csv Waiting for /tmp/caixukun_dirtydata.csv ... Truncated /tmp/caixukun_dirtydata.csv to length: 10485760
usage	返回某个命令的帮助 [root@node1 ~]# hdfs dfs -usage rm Usage: hadoop fs [generic options] -rm [-f] [-r|-R] [-skipTrash] [-safely] <src> ...

详细用法请参考官方文档：

https://hadoop.apache.org/docs/r3.1.4/hadoop-project-dist/hadoop-common/FileSystemShell.html