前言
近期在公司接到一个任务。是关于数据採集方面的。
需求主要有3个：
- 通过web端上传文件到HDFS;
- 通过日志採集的方式导入到HDFS;
- 将数据库DB的表数据导入到HDFS。
正好近期都有在这方面做知识储备。正所谓养兵千日，用兵一时啊。
学习到的东西仅仅有应用到真实的环境中才有意义不是么。
环境
这里仅仅做模拟环境。而不是真实的线上环境，所以也非常easy。假设要使用的话还须要优化优化。
- OS Debian 8.7
- Hadoop 2.6.5
- SpringBoot 1.5.1.RELEASE
说明一下，这个系统OS最好使用Linux的。然后Hadoop也推荐使用CDH发行版的，由于在兼容性、安全性、稳定性都要好于开源的版本号。
比方说CDH的易于升级维护，已解决好Hadoop生态其它产品的版本号兼容问题，补丁更新比开源要及时（毕竟商业公司支持）等等
还有之所以使用SpringBoot是由于快捷，方便，不用做一大堆的配置，无论是作为演示还是生产开发都挺好的。
项目搭建
这里仅仅是做一个非常easy的演示，就是在Web页面提供一个上传button，使用户能够将本地文件上传至Hadoop集群平台。
pom.xml
首先看下pom文件的依赖：
<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>com.infosys.hadoop</groupId>
<artifactId>upload</artifactId>
<version>1.0-SNAPSHOT</version>
<name>upload</name>
<packaging>jar</packaging>
<parent>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-parent</artifactId>
<version>1.5.1.RELEASE</version>
<relativePath/> <!-- lookup parent from repository -->
</parent>
<properties>
<project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
<project.reporting.outputEncoding>UTF-8</project.reporting.outputEncoding>
<hadoop.version>2.6.5</hadoop.version>
</properties>
<dependencies>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-web</artifactId>
</dependency>
<dependency>
<groupId>javax.servlet</groupId>
<artifactId>javax.servlet-api</artifactId>
<version>3.1.0</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>${hadoop.version}</version>
<exclusions>
<exclusion>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-log4j12</artifactId>
</exclusion>
</exclusions>
</dependency>
<!-- Test -->
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.12</version>
<scope>test</scope>
</dependency>
<dependency>
<groupId>org.apache.mrunit</groupId>
<artifactId>mrunit</artifactId>
<version>1.1.0</version>
<classifier>hadoop2</classifier>
<scope>test</scope>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-minicluster</artifactId>
<version>${hadoop.version}</version>
<scope>test</scope>
</dependency>
</dependencies>
<build>
<finalName>${project.artifactId}</finalName>
<plugins>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-archetype-plugin</artifactId>
<version>2.2</version>
</plugin>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-resources-plugin</artifactId>
<configuration>
<encoding>UTF-8</encoding>
</configuration>
</plugin>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-compiler-plugin</artifactId>
<version>3.1</version>
<configuration>
<source>1.8</source>
<target>1.8</target>
</configuration>
</plugin>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-jar-plugin</artifactId>
<version>2.5</version>
<configuration>
<outputDirectory>${basedir}</outputDirectory>
</configuration>
</plugin>
<plugin>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-maven-plugin</artifactId>
</plugin>
</plugins>
</build>
</project>我们就是加入了一个SpringBoot和Hadoop Client的依赖。其它的是一些測试相关的。
关于这个Hadoop Client它提供了一些开发Hadoop应用所需的全部依赖，能够參考之前的一篇博客：Hadoop 2.x Maven开发环境搭建
首页
首页界面就仅仅是提供一个上传表单button：
index.html
<!doctype html>
<html lang="en">
<head>
<meta charset="UTF-8">
<meta name="viewport"
content="width=device-width, user-scalable=no, initial-scale=1.0, maximum-scale=1.0, minimum-scale=1.0">
<meta http-equiv="X-UA-Compatible" content="ie=edge">
<title>Upload</title>
</head>
<body>
<form action="/upload" method="post" enctype="multipart/form-data">
<p>
文件：<input type="file" name="file">
</p>
<p>
<input type="submit" value="上传">
</p>
</form>
</body>
</html>然后在Controller提供一个接口进行訪问首页：
HomeController.java
@Controller
@RequestMapping(value = "/")
public class HomeController {
public ModelAndView home() {
return new ModelAndView("index");
}
}上传
上传的逻辑也非常easy，就是使用SpringBoot上传文件的形式先将文件接收到后台。然后调用Hadoop提供的接口API运行上传。
上传接口UploadController.java
@Controller
public class UploadController {
@PostMapping("/upload")
@ResponseBody
public String handleFileUpload(@RequestParam("file") MultipartFile file) {
if (!file.isEmpty()) {
try {
String originalFilename = file.getOriginalFilename();
BufferedOutputStream out = new BufferedOutputStream(
new FileOutputStream(
new File(originalFilename)
)
);
out.write(file.getBytes());
out.flush();
out.close();
String destFileName = "/user/hadoop/" + originalFilename;
Upload.main(new String[]{originalFilename, destFileName});
} catch (FileNotFoundException e) {
e.printStackTrace();
return "上传失败，" + e.getMessage();
} catch (IOException e) {
e.printStackTrace();
return "上传失败, " + e.getMessage();
}
return "上传成功";
} else {
return "上传失败。文件为空。";
}
}
}
最后我们在提供一个类来操作Hadoop接口。
Upload.java
public class Upload {
public static final String FS_DEFAULT_FS = "fs.defaultFS";
public static final String HDFS_HOST = "hdfs://192.168.1.2:9000";
public static final String CROSS_PLATFORM = "mapreduce.app-submission.cross-platform";
public static void main(String[] args) throws IOException {
Configuration conf = new Configuration();
conf.setBoolean(CROSS_PLATFORM, true);
conf.set(FS_DEFAULT_FS, HDFS_HOST);
GenericOptionsParser optionsParser = new GenericOptionsParser(conf, args);
String[] remainingArgs = optionsParser.getRemainingArgs();
if (remainingArgs.length < 2) {
System.err.println("Usage: upload <source> <dest>");
System.exit(2);
}
Path source = new Path(args[0]);
Path dest = new Path(args[1]);
FileSystem fs = FileSystem.get(conf);
fs.copyFromLocalFile(true, false, source, dest);
}
}
当中的fs.defaultFS属性须要与集群Master NameNode节点中配置的一直。该属性配置一般在etc/hadoop/core-site.xml文件里进行定义。
能够看到我们实际的操作非常easy，就仅仅是调用Hadoop的FileSystem接口中的copyFromLocalFile方法。该方法參数说明：
- 第一个參数：表示是否删除本地的源文件。也就是上传文件后是否保留原文件。这里为了避免兴许文件越来越多，就直接採用上传成功就删除的方式。
- 第二个參数：表示是否覆盖已存在的文件，这里false表示不覆盖，假设HDFS集群中已存在该文件，就提示上传失败。
- 第三个參数：源文件路径
- 第四个參数：上传到HDFS指定的路径
后记
当然上传的方式肯定不止这一种，比方：通过Hadoop的rest接口调用PUT也能够上传，还有Python等其它语言也有对应的API接口等等
假设是要做成平台的话，这样肯定是远远不够的，每一个用户都能够上传就须要做好隔离措施，我们能够採用HDFS文件夹隔离的方式，只是我认为这样不够好，最好採用CDH支持的kerberos进行授权认证的方式比較好。
开源的Hadoop默认仅仅支持Simple的形式，也就是与操作系统一致的用户验证。
