大数据之路week07--day01(HDFS学习,Java代码操作HDFS,将HDFS文件内容存入到Mysql)
一、HDFS概述
数据量越来越多,在一个操作系统管辖的范围存不下了,那么就分配到更多的操作系统管理的磁盘中,但是不方便管理和维护,因此迫切需要一种系统来管理多台机器上的文件,这就是分布式文件管理系统 。
是一种允许文件通过网络在多台主机上分享的文件系统,可让多机器上的多用户分享文件和存储空间。
通透性。让实际上是通过网络来访问文件的动作,由程序与用户看来,就像是访问本地的磁盘一般。
容错。即使系统中有某些节点宕机,整体来说系统仍然可以持续运作而不会有数据损失【通过副本机制实现】。
分布式文件管理系统很多,hdfs只是其中一种,不合适小文件。
HDFS结构
二、NameNode
NameNode是整个文件系统的管理节点。它维护着整个文件系统的文件目录树,文件/目录的元信息和每个文件对应的数据块列表。接收用户的操作请求。
文件包括:
fsimage:元数据镜像文件。存储某一时段NameNode内存元数据信息。
edits:操作日志文件,namenode启动后一些新增元信息日志。
fstime:保存最近一次checkpoint的时间
以上这些文件是保存在linux的文件系统中。
hdfs-site.xml的dfs.namenode.name.dir属性
三、DataNode
提供真实文件数据的存储服务。
文件块(block):最基本的存储单位。对于文件内容而言,一个文件的长度大小是size,那么从文件的0偏移开始,按照固定的大小,顺序对文件进行划分并编号,划分好的每一个块称一个Block。2.0以后HDFS默认Block大小是128MB,以一个256MB文件,共有256/128=2个Block.(注意,这里不是说,重要大于128M就会产生一个block块,默认是128M,用户可以自己更改的,但是我们一般不去更改)
hdfs-site.xml中dfs.blocksize属性
不同于普通文件系统的是,HDFS中,如果一个文件小于一个数据块的大小,并不占用整个数据块存储空间 Replication。多复本。默认是三个。
hdfs-site.xml的dfs.replication属性
四、Client读取多副本文件过程
五、HDFS的Trash回收站
和Linux系统(桌面环境)的回收站设计一样,HDFS会为每一个用户创建一个回收站目录:/user/用户名/.Trash/,每一个被用户通过Shell删除的文件/目录,fs.trash.interval是在指在这个回收周期之内,文件实际上是被移动到trash的这个目录下面,而不是马上把数据删除掉。等到回收周期真正到了以后,hdfs才会将数据真正删除。默认的单位是分钟,1440分钟=60*24,刚好是一天。 配置:在每个节点(不仅仅是主节点)上添加配置 core-site.xml,增加如下内容
<property>
<name>fs.trash.interval</name>
<value>1440</value>
</property>
注意:如果删除的文件过大,超过回收站大小的话会提示删除失败
需要指定参数 -skipTrash
六、通过Java代码去操作HDFS(这里使用Myeclipse 或者 IDEA 或者 eclipse都是可以的)
1、创建一个maven项目
2、修改pom.xml文件,将这几个有关依赖添加进去,保存。
1 <dependency> 2 <groupId>junit</groupId> 3 <artifactId>junit</artifactId> 4 <version>4.11</version> 5 <scope>test</scope> 6 </dependency> 7 8 <dependency> 9 <groupId>mysql</groupId> 10 <artifactId>mysql-connector-java</artifactId> 11 <version>5.1.17</version> 12 </dependency> 13 14 <dependency> 15 <groupId>org.apache.hadoop</groupId> 16 <artifactId>hadoop-common</artifactId> 17 <version>2.6.0</version> 18 </dependency> 19 20 <dependency> 21 <groupId>org.apache.hadoop</groupId> 22 <artifactId>hadoop-client</artifactId> 23 <version>2.6.0</version> 24 </dependency> 25 26 <dependency> 27 <groupId>org.apache.hadoop</groupId> 28 <artifactId>hadoop-hdfs</artifactId> 29 <version>2.6.0</version> 30 </dependency>
3、编写Java代码,连接到HDFS(我这里没有导包,注意不要导错包,Hadoop下的)
1 public class hdfsDemo2 { 2 public static void main(String[] args) throws Exception { 3 // 4 URI uri = new URI("hdfs://192.168.230.50:9000"); //输入你的namenode的节点信息 5 Configuration conf = new Configuration(); 6 FileSystem fs = FileSystem.get(uri, conf); 7 // method2(fs); 8 9 method1(fs); 10 }
4、简单的操作,对HDFS创建文件夹以及删除文件夹
1 import org.apache.hadoop.conf.Configuration; 2 import org.apache.hadoop.fs.FSDataInputStream; 3 import org.apache.hadoop.fs.FileSystem; 4 import org.apache.hadoop.fs.Path; 5 6 import java.io.*; 7 import java.net.URI; 8 9 public class hdfsDemo2 { 10 public static void main(String[] args) throws Exception { 11 // 12 URI uri = new URI("hdfs://192.168.230.50:9000"); 13 Configuration conf = new Configuration(); 14 FileSystem fs = FileSystem.get(uri, conf); 15 // method2(fs); 16 17 method1(fs); 18 } 19 20 21 22 private static void method2(FileSystem fs) throws IOException { 23 boolean b1 = fs.mkdirs(new Path("/data/")); 24 System.out.println(b1); 25 26 boolean b2 = fs.delete(new Path("/data/"),true); 27 System.out.println(b2); 28 } 29 30 31 32 private static void method1(FileSystem fs) throws IOException, UnsupportedEncodingException, FileNotFoundException { 33 //从hdfs上读取数据 34 FSDataInputStream in = fs.open(new Path("/usr/test/empldata.csv")); 35 BufferedReader br = new BufferedReader(new InputStreamReader(in, "utf-8")); 36 String line = null; 37 while((line=br.readLine())!=null){ 38 System.out.println(line); 39 } 40 in.close(); 41 42 //从本地上传到hdfs上面 43 /*FileInputStream fi = new FileInputStream("F:\\新桌面\\dianxin_data"); 44 FSDataOutputStream fo = fs.create(new Path("/usr/test/hdfstest.txt")); 45 IOUtils.copyBytes(fi, fo, 1024, true);*/ 46 } 47 }
七、将HDFS的文件读出到JVM,再存入到Mysql数据库中
1、先在数据库中建表并插入数据
1 DROP TABLE IF EXISTS `emp`; 2 CREATE TABLE `emp` ( 3 `EMPNO` int(4) NOT NULL, 4 `ENAME` varchar(10) DEFAULT NULL, 5 `JOB` varchar(9) DEFAULT NULL, 6 `MGR` varchar(10) DEFAULT NULL, 7 `HIREDATE` date DEFAULT NULL, 8 `SAL` int(7) DEFAULT NULL, 9 `COMM` int(7) DEFAULT NULL, 10 `DEPTNO` int(2) DEFAULT NULL, 11 PRIMARY KEY (`EMPNO`) 12 ) ENGINE=InnoDB DEFAULT CHARSET=utf8; 13 字段中文名字依次是:工号,姓名,工作岗位,部门经理,受雇日期,薪金,奖金,部门编号 14 insert into `emp`(`EMPNO`,`ENAME`,`JOB`,`MGR`,`HIREDATE`,`SAL`,`COMM`,`DEPTNO`) values 15 ('7369','SMITH','CLERK','7902','1980-12-17','800',null,'50'), 16 ('7499','ALLEN','SALESMAN','7698','1981-02-20','1600','300','50'), 17 ('7521','WARD','SALESMAN','7698','1981-02-22','1250','500','30'), 18 ('7566','JONES','MANAGER','7839','1981-04-02','2975',null,'20'), 19 ('7654','MARTIN','SALESMAN','7698','1981-09-28','1250','1400','30'), 20 ('7698','BLAKE','MANAGER','7839','1981-05-01','2850',null,'30'), 21 ('7782','CLARK','MANAGER','7839','1981-06-09','2450',null,'10'), 22 ('7788','SCOTT','ANALYST','7566','1987-04-19','3000',null,'20'), 23 ('7839','KING','PRESIDENT',null,'1981-11-17','5000',null,'10'), 24 ('7844','TURNER','SALESMAN','7698','1981-09-08','1500','0','30'), 25 ('7876','ADAMS','CLERK','7788','1987-05-23','1100',null,'20'), 26 ('7900','JAMES','CLERK','7698','1981-12-03','950',null,'30'), 27 ('7902','FORD','ANALYST','7566','1981-12-03','3000',null,'20'), 28 ('7934','MILLER','CLERK','7782','1982-01-23','1300',null,'10'); 29 30 DROP TABLE IF EXISTS `dept`; 31 CREATE TABLE `dept` ( 32 `DEPTNO` int(2) NOT NULL, 33 `DNAME` varchar(14) DEFAULT NULL, 34 `LOC` varchar(13) DEFAULT NULL, 35 PRIMARY KEY (`DEPTNO`) 36 ) ENGINE=InnoDB DEFAULT CHARSET=utf8; 37 38 insert into `dept`(`DEPTNO`,`DNAME`,`LOC`) values 39 ('10','ACCOUNTING','NEW YORK'), 40 ('20','RESEARCH','DALLAS'), 41 ('30','SALES','CHICAGO'), 42 ('40','OPERATIONS','BOSTON');
2、我将要插入的数据:
1 7369,SMITH,CLERK,7902,1980-12-17,800,null,20 2 7499,ALLEN,SALESMAN,7698,1981-02-20,1600,300,30 3 7521,WARD,SALESMAN,7698,1981-02-22,1250,500,30 4 7566,JONES,MANAGER,7839,1981-04-02,2975,null,20), 5 7654,MARTIN,SALESMAN,7698,1981-09-28,1250,1400,30 6 7698,BLAKE,MANAGER,7839,1981-05-01,2850,null,30 7 7782,CLARK,MANAGER,7839,1981-06-09,2450,null,10 8 7788,SCOTT,ANALYST,7566,1987-04-19,3000,null,20 9 7839,KING,PRESIDENT,null,1981-11-17,5000,null,10 10 7844,TURNER,SALESMAN,7698,1981-09-08,1500,0,30 11 7876,ADAMS,CLERK,7788,1987-05-23,1100,null,20 12 7900,JAMES,CLERK,7698,1981-12-03,950,null,30 13 7902,FORD,ANALYST,7566,1981-12-03,3000,null,20 14 7934,MILLER,CLERK,7782,1982-01-23,1300,null,10
3、先将数据文件通过命令 hadoop fs -put 上传到HDFS中去。
4、编写Java代码
1 import org.apache.hadoop.conf.Configuration; 2 import org.apache.hadoop.fs.FSDataInputStream; 3 import org.apache.hadoop.fs.FileSystem; 4 import org.apache.hadoop.fs.Path; 5 6 import java.io.BufferedReader; 7 import java.io.InputStreamReader; 8 import java.net.URI; 9 import java.sql.Connection; 10 import java.sql.DriverManager; 11 import java.sql.Statement; 12 13 public class hdfsDemo { 14 public static void main(String[] args) throws Exception{ 15 16 //hdfs的配置 17 URI uri = new URI("hdfs://192.168.230.50:9000"); 18 Configuration conf = new Configuration(); 19 FileSystem fs = FileSystem.get(uri,conf); 20 21 //mysql的配置 22 Class.forName("com.mysql.jdbc.Driver"); 23 Connection conn = DriverManager.getConnection("jdbc:mysql://192.168.230.50:3306/test", "root", "123456"); 24 System.out.println(conn); 25 Statement st = conn.createStatement(); 26 27 FSDataInputStream fdis = fs.open(new Path("/usr/test/empldata.csv")); 28 BufferedReader br = new BufferedReader(new InputStreamReader(fdis)); 29 String line = null; 30 while((line = br.readLine())!=null){ 31 String[] split = line.split(","); 32 String EMPNO = split[0]; 33 String ENAME = split[1]; 34 String JOB = split[2]; 35 String MGR = split[3]; 36 String HIREDATE = split[4]; 37 String SAL = split[5]; 38 String COMM = split[6]; 39 String DEPTNO = split[7]; 40 41 String sql = "insert into test.emp(EMPNO,ENAME,JOB,MGR,HIREDATE,SAL,COMM,DEPTNO) values " + 42 "("+"'"+EMPNO+"'"+","+"'"+ENAME+"'"+","+"'"+JOB+"'"+","+"'"+MGR+"'"+","+"'"+HIREDATE+"'"+","+"'"+SAL+"'"+","+"'"+COMM+"'"+","+"'"+DEPTNO+"'"+")"; 43 System.out.println(sql); 44 st.execute(sql); 45 } 46 47 48 fdis.close(); 49 conn.close(); 50 51 52 53 } 54 }
八、数据存储->读文件(重要!!!)
读文件流程分析:
1.首先调用FileSystem对象的open方法,其实是一个DistributedFileSystem的实例
2.DistributedFileSystem通过rpc获得文件的第一个block的locations,同一block按照副本数会返回多个locations,这些locations按照hadoop拓扑结构排序,距离客户端近的排在前面.
3.前两步会返回一个FSDataInputStream对象,该对象会被封装成DFSInputStream对象,DFSInputStream可以方便的管理datanode和namenode数据流。客户端调用read方法,DFSInputStream最会找出离客户端最近的datanode并连接。
4.数据从datanode源源不断的流向客户端。
5.如果第一块的数据读完了,就会关闭指向第一块的datanode连接,接着读取下一块。这些操作对客户端来说是透明的,客户端的角度看来只是读一个持续不断的流。
6.如果第一批block都读完了,DFSInputStream就会去namenode拿下一批blocks的location,然后继续读,如果所有的块都读完,这时就会关闭掉所有的流。
如果在读数据的时候,DFSInputStream和datanode的通讯发生异常,就会尝试正在读的block的排第二近的datanode,并且会记录哪个datanode发生错误,剩余的blocks读的时候就会直接跳过该datanode。DFSInputStream也会检查block数据校验和,如果发现一个坏的block,就会先报告到namenode节点,然后DFSInputStream在其他的datanode上读该block的镜像
该设计的方向就是客户端直接连接datanode来检索数据并且namenode来负责为每一个block提供最优的datanode,namenode仅仅处理block location的请求,这些信息都加载在namenode的内存中,hdfs通过datanode集群可以承受大量客户端的并发访问。
九、数据存储->写文件(重要!!!)
1.客户端通过调用DistributedFileSystem的create方法创建新文件
2.DistributedFileSystem通过RPC调用namenode去创建一个没有blocks关联的新文件,创建前,namenode会做各种校验,比如文件是否存在,客户端有无权限去创建等。如果校验通过,namenode就会记录下新文件,否则就会抛出IO异常.
3.前两步结束后会返回FSDataOutputStream的对象,象读文件的时候相似,FSDataOutputStream被封装成DFSOutputStream.DFSOutputStream可以协调namenode和datanode。客户端开始写数据到DFSOutputStream,DFSOutputStream会把数据切成一个个小packet,然后排成队列data quene。 4.DataStreamer会去处理接受data queue,他先问询namenode这个新的block最适合存储的在哪几个datanode里,比如副本数是3,那么就找到3个最适合的datanode,把他们排成一个pipeline.DataStreamer把packet按队列输出到管道的第一个datanode中,第一个datanode又把packet输出到第二个datanode中,以此类推。
5.DFSOutputStream还有一个对列叫ack queue,也是有packet组成,等待datanode的收到响应,当pipeline中的所有datanode都表示已经收到的时候,这时akc queue才会把对应的packet包移除掉。 如果在写的过程中某个datanode发生错误,会采取以下几步:1) pipeline被关闭掉;2)为了防止丢包ack queue里的packet会同步到data queue里;3)把产生错误的datanode上当前在写但未完成的block删掉;4)block剩下的部分被写到剩下的两个正常的datanode中;5)namenode找到另外的datanode去创建这个块的复制。当然,这些操作对客户端来说是无感知的。
6.客户端完成写数据后调用close方法关闭写入流
7.DataStreamer把剩余得包都刷到pipeline里然后等待ack信息,收到最后一个ack后,通知datanode把文件标示为已完成。