文章目录
1 连接HDFS1.1 Configuration类1.2 FileSystem类
2 创建文件夹3 上传文件4 下载文件5 数据写入（流式）源码分析
6 数据写出（流式）源码分析
1 连接HDFS
public class instance {
private static Configuration conf =null;
private static FileSystem fs =null;
@Before
public void connect2HDFS() throws IOException {
//设置客户端身份 以具备权限在hdfs上进行操作
System.setProperty("HADOOP_USER_NAME","root");
//创建配置对象实例
conf = new Configuration();
//设置操作的文件系统是HDFS 并且指定HDFS操作地址
conf.set("fs.defaultFS","hdfs://node1.itcast.cn:8020");
//创建FileSystem对象实例
fs = FileSystem.get(conf);
}
@After
public void close() {
//首先判断文件系统实例是否为null 如果不为null 进行关闭
if(fs !=null){
try {
fs.close();
} catch (IOException e) {
e.printStackTrace();
}
}
}
}
1.1 Configuration类
Configuration提供对配置参数的访问，通常称之为配置文件类。主要用于加载或者设定程序运行时相关的参数属性
通过debug发现：
首先加载了静态方法和静态代码块。其中在静态代码块中显示默认加载了两个配置文件：core-default.xml、core-site.xml当到达FileSystem.get(conf)这一行代码的时候，可以发现用户通过conf.set设置的属性也会被加载。
1.2 FileSystem类
FileSystem类是一个通用的文件系统的抽象基类。具体来说它可以实现为一个分布式的文件系统，也可以实现为一个本地文件系统。所有的可能会使用到HDFS的用户代码在进行编写时都应该使用FileSystem对象。代表本地文件系统的实现是LocalFileSystem，代表分布式文件系统的实现是DistributedFileSystem。当然针对其他hadoop支持的文件系统也有不同的具体实现。因此HDFS客户端在进行读写操作之前，需要创建FileSystem对象的实例。
通过debug发现：
FileSystem对象是通过调用getInternal方法得到的。在getInternal方法中调用了createFileSystem方法。FileSystem实例是通过反射的方式获得的。具体实现是通过调用反射工具类ReflectionUtils的newInstance方法并将class对象以及Configuration对象作为参数传入最终得到了FileSystem实例。
2 创建文件夹
@Test
public void mkdir() throws IOException {
//首先判断文件夹是否存在，如果不存在再创建
if(!fs.exists(new Path("/user1"))){
//创建文件夹
fs.mkdirs(new Path("/user1"));
}
}
3 上传文件
@Test
public void putFile2HDFS() throws IOException {
//创建本地文件路径
Path src = new Path("E:\\1.txt");
//hdfs上传路径
Path dst = new Path("/user1/1.txt");
//文件上传动作(local--->hdfs)
fs.copyFromLocalFile(src,dst);
}
注意：因为实在windows本地文件系统下写的运行的，因此本地路径为windows文件系统的。
4 下载文件
@Test
public void getFile2Local() throws IOException {
//源路径：hdfs的路径
Path src = new Path("/ithiema/1.txt");
//目标路径：local本地路径
Path dst = new Path("D:\\1.txt");
//文件下载动作(hdfs--->local)
fs.copyToLocalFile(src,dst);
}
注意：该代码运行时会报错，原因是Hadoop访问windows本地文件系统，要求Windows上的本地库能正常工作。 其中Hadoop使用某些Windows API来实现类似posix的文件访问权限。这些功能需要在hadoop.dll和winutils.exe来实现。
解决：下载Hadoop源码在windows平台编译，编译出windows本地库。然后配置Hadoop环境变量
5 数据写入（流式）
@Test
public void write() throws IOException {
//设置文件输出路径
Path path = new Path("/helloworld");
//调用create方法创建文件
FSDataOutputStream out = fs.create(path);
//创建本地文件输入流
FileInputStream in = new FileInputStream("E:\\input\\1.txt");
//io工具类实现流的拷贝
IOUtils.copy(in,out);
}
源码分析
（1）客户端请求NameNode
HDFS客户端通过对DistributedFileSystem对象调用create()请求创建文件。DistributedFileSystem为客户端返回FSDataOutputStream输出流对象，用于后续写数据。FSDataOutputStream是一个包装类，所包装的是DFSOutputStream。可以通过create方法调用不断跟下去，可以发现最终的调用也验证了上述结论，返回的是DFSOutputStream 。 点击进入代码DFSOutputStream dfsos = dfs.create可以发现，DFSOutputStream这个类是从DFSClient类的create方法中返回过来的。 而DFSClient类中的DFSOutputStream实例对象是通过调用DFSOutputStream类的newStreamForCreate方法产生的。 点击进入DFSOutputStream.newStreamForCreate方法，找到了客户端请求NameNode新建元数据的关键代码。代码dfsClient.namenode.create中namenode是ClientProtocol类实例。DFSClient使用ClientProtocol与NameNode守护程序进行通信。
（2）NameNode执行请求操作检查
dfsClient.namenode.create方法会请求namenode在文件系统名称空间中创建一个新的文件条目。点击进入dfsClient.namenode.create方法，可以发现该方法位于ClientProtocol接口中，这是客户端和NameNode之间RPC接口。点击create方法左边绿色I按钮，打开接口的实现类NameNodeRpcServer。 NameNodeRpcServer中status = this.namesystem.startFile就是实际请求创建文件的方法。 继续追踪status = startFileInt方法。 可以发现，请求创建文件的时候，namenode会执行各种检查判断：目标文件是否存在、父目录是否存在、客户端是否具有创建该文件的权限。 检查通过，namenode就会为创建新文件记录一条记录。否则，文件创建失败并向客户端抛出一个IOException。
（3）DataStreamer类
在DFSOutputStream.newStreamForCreate方法的最后发现了DFSOutputStream的创建；并且在返回之前，调用了out对象的start方法。 点进start方法，发现调用的是DataStreamer对象的start方法。 DataStreamer类是DFSOutputSteam的一个内部类，本质是一个线程。
（4）DataStreamer写数据
在DataStreamer的run方法中实现了数据写入的关键代码,概况起来：
DataStreamer类负责将数据包发送到pipeline（管道）中的datanodes节点上。它从namenode检索新的blockid和块位置，然后开始将数据包流传输到Datanodes的管道中。每个数据包都有与之关联的序列号。当发送完一个数据块的所有数据包并接收到每个数据包的确认后，DataStreamer将关闭当前数据块。DataStreamer线程从dataQueue中拾取数据包，将其发送到管道中的第一个datanode，然后将其从dataQueue中移动到ackQueue中。ResponseProcessor从数据节点接收ack信息。当从所有数据节点接收到成功的数据包确认后，ResponseProcessor将从ackQueue中删除相应的数据包。
在客户端写入数据时，DFSOutputStream将它分成一个个数据包（packet 默认64kb）,并写入一个称之为数据队列（data queue）的内部队列。DataStreamer请求NameNode挑选出适合存储数据副本的一组DataNode。这一组DataNode采用pipeline机制做数据的发送。默认是3副本存储。 DataStreamer将数据包流式传输到pipeline的第一个datanode,该DataNode存储数据包并将它发送到pipeline的第二个DataNode。同样，第二个DataNode存储数据包并且发送给第三个（也是最后一个）DataNode。 DFSOutputStream也维护着一个内部数据包队列来等待DataNode的收到确认回执，称之为确认队列（ack queue）。发送packet的时候，会把packet从data queue移动到ack queue。收到pipeline中所有DataNode确认信息后，该数据包才会从确认队列删除。 客户端完成数据写入后，将在流上调用close()方法关闭。并在联系到NameNode告知其文件写入完成之前，等待确认。因为namenode已经知道文件由哪些块组成（DataStream请求分配数据块），因此它仅需等待最小复制块即可成功返回。数据块最小复制是由参数dfs.namenode.replication.min指定，默认是1.
6 数据写出（流式）
@Test
public void Read() throws IOException {
//调用open方法读取文件
FSDataInputStream in = fs.open(new Path("/ithiema/1.txt"));
//创建本地文件输出流
FileOutputStream out = new FileOutputStream("E:\\output\\1.txt");
//IO工具类实现流的拷贝
IOUtils.copy(in,out);
}
源码分析
（1）客户端请求NameNode
客户端通过调用DistributedFileSystem对象上的open()来打开希望读取的文件。DistributedFileSystem为客户端返回FSDataInputStream输入流对象。通过源码注释可以发现FSDataInputStream是一个包装类，所包装的是DFSInputStream。通过open方法调用不断跟下去，可以发现最终的调用也验证了上述结论，返回的是DFSInputStream。 点击进入代码DFSInputStream dfsis =dfs.open可以发现，DFSInputStream这个类是从DFSClient类的open方法中返回过来的。该输入流从namenode获取block的位置信息。
（2）getLocatedBlocks
在dfs.open方法中，有一个核心方法调用叫做getLocatedBlocks，见名知意，该方法是用于获取块位置信息的。getLocatedBlocks方法调用返回的结果是LocatedBlocks。 lLocatedBlocks封装了文件block的位置信息。 点击getLocatedBlocks进去之后发现，最终调用的是callGetBlockLocations： 在callGetBlockLocations内部，最终是通过namenode.getBlockLocations(src, start, length)请求namenode获取文件数据块位置信息的。 关于namenode.getBlockLocations中的namenode不用过多解释了，是ClientProtocol对象的实例。用户代码通过DistributedFileSystem类使用ClientProtocol与NameNode进行通信。
（3）NameNode返回block信息
对于每个block，namenode返回具有该块副本的datanode的地址，并且datanode根据块与客户端的距离进行排序。注意此距离指的是网络拓扑中的距离。比如客户端的本身就是一个DataNode，那么从本地读取数据明显比跨网络读取数据效率要高。 getBlockLocations方法在源码注释上也描述了这段逻辑,大意是：
获取指定范围内指定文件的块位置。 每个块的DataNode位置按与客户端的接近程度进行排序。返回LocatedBlocks，其中包含文件长度，块及其位置。每个块的DataNode位置按到客户端地址的距离排序。然后，客户端将必须联系指示的DataNode之一以获得实际数据。
（4）客户端读取数据
DFSClient在获取到block的位置信息之后，继续调用openInternal方法。 点击进入该方法可以发现，分了两种不同的输入流。这取决于文件的存储策略是否采用EC纠删码。如果未使用EC编码策略存储，那么直接创建DFSInputStream。在DFSInputStream输入流中，封装了之前获取到的block位置信息。 客户端调用DFSInputStream的read()方法，连接到文件中第一个块的最近的DataNode节点（最优的）读取数据块。数据会以数据包packet为单位从数据节点通过流式接口传送到客户端。当达到一个数据块的末尾时，DFSInputStream再次调用getBlockLocations获取文件的下一个数据块的位置信息，并建立和这个新的数据块的最优节点之间的连接，然后客户端就可以继续读数据。这些操作对用户来说是透明的。所以用户感觉起来它一直在读取一个连续的流。 客户端完成文件读取后，就对FSDataInputStream调用close()方法关闭输入流。如果DFSInputStream与DataNode通信时遇到错误，它将尝试该块的下一个最接近的DataNode读取数据。并将记住发生故障的DataNode，保证以后不会反复读取该DataNode后续的块。此外，DFSInputStream也会通过校验和（checksum）确认从DataNode发来的数据是否完整。如果发现有损坏的块，DFSInputStream会尝试从其他DataNode读取该块的副本，也会将被损坏的块报告给namenode 。
相关阅读
您阅读本篇文章共花了：
发表评论