hadoop深入研究:(二)——java访问hdfs

转载请注明出处，http://blog.csdn.net/lastsweetop/article/details/9001467

所有源码在github上，https://github.com/lastsweetop/styhadoop

读数据

使用hadoop url读取

比较简单的读取hdfs数据的方法就是通过java.net.URL打开一个流，不过在这之前先要预先调用它的setURLStreamHandlerFactory方法设置为FsUrlStreamHandlerFactory（由此工厂取解析hdfs协议），这个方法只能调用一次，所以要写在静态块中。然后调用IOUtils类的copyBytes将hdfs数据流拷贝到标准输出流System.out中，copyBytes前两个参数好理解，一个输入，一个输出，第三个是缓存大小，第四个指定拷贝完毕后是否关闭流。我们这里要设置为false，标准输出流不关闭，我们要手动关闭输入流。

[java] view
plaincopy

package com.sweetop.styhadoop;  

  

import org.apache.hadoop.fs.FsUrlStreamHandlerFactory;  

import org.apache.hadoop.io.IOUtils;  

  

import java.io.InputStream;  

import java.net.URL;  

  

/** 

 * Created with IntelliJ IDEA. 

 * User: lastsweetop 

 * Date: 13-5-31 

 * Time: 上午10:16 

 * To change this template use File | Settings | File Templates. 

 */  

public class URLCat {  

  

    static {  

        URL.setURLStreamHandlerFactory(new FsUrlStreamHandlerFactory());  

    }  

  

    public static void main(String[] args) throws Exception {  

        InputStream in = null;  

        try {  

            in = new URL(args[0]).openStream();  

            IOUtils.copyBytes(in, System.out, 4096, false);  

        } finally {  

            IOUtils.closeStream(in);  

        }  

    }  

}  

使用FileSystem API读取数据

首先是实例化FileSystem对象，通过FileSystem类的get方法，这里要传入一个java.net.URL和一个配置Configuration。
然后FileSystem可以通过一个Path对象打开一个流，之后的操作和上面的例子一样

[java] view
plaincopy

package com.sweetop.styhadoop;  

  

import org.apache.hadoop.conf.Configuration;  

import org.apache.hadoop.fs.FileSystem;  

import org.apache.hadoop.fs.Path;  

import org.apache.hadoop.io.IOUtils;  

  

import java.io.InputStream;  

import java.net.URI;  

  

/** 

 * Created with IntelliJ IDEA. 

 * User: lastsweetop 

 * Date: 13-5-31 

 * Time: 上午11:24 

 * To change this template use File | Settings | File Templates. 

 */  

public class FileSystemCat {  

    public static void main(String[] args) throws Exception {  

        String uri=args[0];  

        Configuration conf=new Configuration();  

        FileSystem fs=FileSystem.get(URI.create(uri),conf);  

        InputStream in=null;  

        try {  

            in=fs.open(new Path(uri));  

            IOUtils.copyBytes(in, System.out, 4096, false);  

        }   finally {  

            IOUtils.closeStream(in);  

        }  

    }  

}  

FSDataInputStream

通过FileSystem打开流返回的对象是个FSDataInputStream对象，该类实现了Seekable接口，

[java] view
plaincopy

public interface Seekable {  

    void seek(long l) throws java.io.IOException;  

    long getPos() throws java.io.IOException;  

    boolean seekToNewSource(long l) throws java.io.IOException;  

}  

seek方法可跳到文件中的任意位置，我们这里跳到文件的初始位置再重新读一次

[java] view
plaincopy

public class FileSystemDoubleCat {  

    public static void main(String[] args) throws Exception {  

        String uri = args[0];  

        Configuration conf = new Configuration();  

        FileSystem fs = FileSystem.get(URI.create(uri), conf);  

        FSDataInputStream in=null;  

        try {  

            in = fs.open(new Path(uri));  

            IOUtils.copyBytes(in, System.out, 4096, false);  

            in.seek(0);  

            IOUtils.copyBytes(in, System.out, 4096, false);  

        }   finally {  

            IOUtils.closeStream(in);  

        }  

    }  

}  

FSDataInputStream还实现了PositionedReadable接口，

[java] view
plaincopy

public interface PositionedReadable {  

    int read(long l, byte[] bytes, int i, int i1) throws java.io.IOException;  

    void readFully(long l, byte[] bytes, int i, int i1) throws java.io.IOException;  

    void readFully(long l, byte[] bytes) throws java.io.IOException;  

}  

可以在任意位置（第一个参数），偏移量（第三个参数），长度（第四个参数），到数组中（第二个参数）

这里就不实现了，大家可以试下

写数据

FileSystem类有很多种创建文件的方法，最简单的一种是

public FSDataOutputStream create(Path f) throws IOException

它还有很多重载方法，可以指定是否强制覆盖已存在的文件，文件的重复因子，写缓存的大小，文件的块大小，文件的权限等。
还可以指定一个回调接口：

[java] view
plaincopy

public interface Progressable {  

    void progress();  

}  

和普通文件系统一样，也支持apend操作，写日志时最常用

public FSDataOutputStream append(Path f) throws IOException

但并非所有hadoop文件系统都支持append，hdfs支持，s3就不支持。
以下是个拷贝本地文件到hdfs的例子

[java] view
plaincopy

package com.sweetop.styhadoop;  

  

import org.apache.hadoop.conf.Configuration;  

import org.apache.hadoop.fs.FileSystem;  

import org.apache.hadoop.fs.Path;  

import org.apache.hadoop.io.IOUtils;  

import org.apache.hadoop.util.Progressable;  

  

import java.io.BufferedInputStream;  

import java.io.FileInputStream;  

import java.io.InputStream;  

import java.io.OutputStream;  

import java.net.URI;  

  

/** 

 * Created with IntelliJ IDEA. 

 * User: lastsweetop 

 * Date: 13-6-2 

 * Time: 下午4:54 

 * To change this template use File | Settings | File Templates. 

 */  

public class FileCopyWithProgress {  

    public static void main(String[] args) throws Exception {  

        String localSrc = args[0];  

        String dst = args[1];  

  

        InputStream in = new BufferedInputStream(new FileInputStream(localSrc));  

  

        Configuration conf = new Configuration();  

        FileSystem fs = FileSystem.get(URI.create(dst), conf);  

        OutputStream out = fs.create(new Path(dst), new Progressable() {  

            @Override  

            public void progress() {  

                System.out.print(".");  

            }  

        });  

  

        IOUtils.copyBytes(in, out, 4096, true);  

     

目录

创建一个目录的方法：

public boolean mkdirs(Path f) throws IOException

mkdirs方法会自动创建所有不存在的父目录

检索

检索一个目录，查看目录和文件的信息在任何操作系统这些都是不可或缺的功能，hdfs也不例外，但也有一些特别的地方：

FileStatus

FileStatus 封装了hdfs文件和目录的元数据，包括文件的长度，块大小，重复数，修改时间，所有者，权限等信息，FileSystem的getFileStatus可以获得这些信息，

[java] view
plaincopy

package com.sweetop.styhadoop;  

  

import org.apache.hadoop.conf.Configuration;  

import org.apache.hadoop.fs.FileStatus;  

import org.apache.hadoop.fs.FileSystem;  

import org.apache.hadoop.fs.Path;  

  

import java.io.IOException;  

import java.net.URI;  

  

/** 

 * Created with IntelliJ IDEA. 

 * User: lastsweetop 

 * Date: 13-6-2 

 * Time: 下午8:58 

 * To change this template use File | Settings | File Templates. 

 */  

public class ShowFileStatus {  

  

    public static void main(String[] args) throws IOException {  

        Path path = new Path(args[0]);  

        Configuration conf = new Configuration();  

        FileSystem fs = FileSystem.get(URI.create(args[0]), conf);  

        FileStatus status = fs.getFileStatus(path);  

        System.out.println("path = " + status.getPath());  

        System.out.println("owner = " + status.getOwner());  

        System.out.println("block size = " + status.getBlockSize());  

        System.out.println("permission = " + status.getPermission());  

        System.out.println("replication = " + status.getReplication());  

    }  

}  

Listing files

有时候你可能会需要找一组符合要求的文件，那么下面的示例就可以帮到你，通过FileSystem的listStatus方法可以获得符合条件的一组FileStatus对象，listStatus有几个重载的方法，可以传入多个路径，还可以使用PathFilter做过滤，我们下面就会讲到它。这里还有一个重要的方法，FileUtils.stat2Paths可以将一组FileStatus对象转换成一组Path对象，这是个非常便捷的方法。

[java] view
plaincopy

package com.sweetop.styhadoop;  

  

import org.apache.hadoop.conf.Configuration;  

import org.apache.hadoop.fs.FileStatus;  

import org.apache.hadoop.fs.FileSystem;  

import org.apache.hadoop.fs.FileUtil;  

import org.apache.hadoop.fs.Path;  

  

import java.io.IOException;  

import java.net.URI;  

  

/** 

 * Created with IntelliJ IDEA. 

 * User: lastsweetop 

 * Date: 13-6-2 

 * Time: 下午10:09 

 * To change this template use File | Settings | File Templates. 

 */  

public class ListStatus {  

    public static void main(String[] args) throws IOException {  

        String uri = args[0];  

        Configuration conf = new Configuration();  

        FileSystem fs = FileSystem.get(URI.create(uri), conf);  

  

        Path[] paths = new Path[args.length];  

        for (int i = 0; i < paths.length; i++) {  

            paths[i] = new Path(args[i]);  

        }  

  

        FileStatus[] status = fs.listStatus(paths);  

        Path[] listedPaths = FileUtil.stat2Paths(status);  

        for (Path p : listedPaths) {  

            System.out.println(p);  

        }  

    }  

}  

PathFilter

接着上面我们来讲PathFilter接口，该接口只需实现其中的一个方法即可，即accpet方法，方法返回true时表示被过滤掉，我们来实现一个正则过滤，并在下面的例子里起作用

[java] view
plaincopy

package com.sweetop.styhadoop;  

  

import org.apache.hadoop.fs.Path;  

import org.apache.hadoop.fs.PathFilter;  

  

/** 

 * Created with IntelliJ IDEA. 

 * User: lastsweetop 

 * Date: 13-6-3 

 * Time: 下午2:49 

 * To change this template use File | Settings | File Templates. 

 */  

public class RegexExludePathFilter implements PathFilter {  

  

    private final String regex;  

  

    public RegexExludePathFilter(String regex) {  

        this.regex = regex;  

    }  

  

    @Override  

    public boolean accept(Path path) {  

        return !path.toString().matches(regex);  

    }  

}  

File patterns

当需要很多文件时，一个个列出路径是很不便捷的，hdfs提供了一个通配符列出文件的方法，通过FileSystem的globStatus方法提供了这个便捷，globStatus也有重载的方法，使用PathFilter过滤，那么我们结合两个来实现一下

[java] view
plaincopy

package com.sweetop.styhadoop;  

  

import org.apache.hadoop.conf.Configuration;  

import org.apache.hadoop.fs.FileStatus;  

import org.apache.hadoop.fs.FileSystem;  

import org.apache.hadoop.fs.FileUtil;  

import org.apache.hadoop.fs.Path;  

  

import java.io.IOException;  

import java.net.URI;  

  

/** 

 * Created with IntelliJ IDEA. 

 * User: lastsweetop 

 * Date: 13-6-3 

 * Time: 下午2:37 

 * To change this template use File | Settings | File Templates. 

 */  

public class GlobStatus {  

    public static void main(String[] args) throws IOException {  

        String uri = args[0];  

        Configuration conf = new Configuration();  

        FileSystem fs = FileSystem.get(URI.create(uri), conf);  

  

        FileStatus[] status = fs.globStatus(new Path(uri),new RegexExludePathFilter("^.*/1901"));  

        Path[] listedPaths = FileUtil.stat2Paths(status);  

        for (Path p : listedPaths) {  

            System.out.println(p);  

        }  

    }  

}  

删除数据

删除数据比较简单

public abstract boolean delete(Path f,
boolean recursive)
throws IOException

第一个参数很明确，第二个参数表示是否递归删除子目录或目录下的文件，在Path为目录但目录是空的或者Path为文件时可以忽略，但如果Path为目录且不为空的情况下，如果recursive为false,那么删除就会抛出io异常。