大数据【二】HDFS部署及文件读写（包含eclipse hadoop配置）

一　　原理阐述

1'　　DFS

　　　　分布式文件系统（即DFS，Distributed File System），指文件系统管理的物理存储资源不一定直接连接在本地节点上，而是通过计算机网络与节点相连。该系统架构于网络之上，势必会引入网络编程的复杂性，因此分布式文件系统比普通磁盘文件系统更为复杂。

2'　　HDFS

　　　　借此，关于GFS和HDFS的区别与联系查看 我于博客园找到的前辈的博客>>http://www.cnblogs.com/liango/p/7136448.html

　　　　HDFS（Hadoop Distributed File System）为大数据平台其它所有组件提供了最基本的存储功能。

　　　　特征：高容错、高可靠、可扩展、高吞吐率等，为大数据存储和处理提供了强大的底层存储架构。

　　　　HDFS是一个主/从（master/slave）体系结构，从最终用户的角度来看，它就像传统的文件系统，可通过目录路径对文件执行CRUD操作。由于其分布式存储的性质，HDFS集群拥有一个NameNode和一些DataNodes，NameNode管理文件系统的元数据，DataNode存储实际的数据。

　　　　HDFS开放文件系统的命名空间以便用户以文件形式存储数据，秉承“一次写入、多次读取”的原则。客户端通过NameNode和DataNodes的交互访问文件系统，联系NameNode以获取文件的元数据，而真正的文件I/O操作是直接和DataNode进行交互的。

3‘　　适用场景

　　HDFS 提供高吞吐量应用程序数据访问功能，适合带有大型数据集的应用程序，以下是一些常用的应用场景：

　　　　　　数据密集型并行计算：数据量极大，但是计算相对简单的并行处理，如大规模Web信息搜索；

　　　　　　计算密集型并行计算：数据量相对不是很大，但是计算较为复杂的并行计算，如3D建模与渲染、气象预报和科学计算；

　　　　　　数据密集与计算密集混合型的并行计算，如3D电影的渲染。

　　HDFS在使用过程中有以下限制：

　　　　　　HDFS不适合大量小文件的存储，因NameNode将文件系统的元数据存放在内存中，因此存储的文件数目受限于NameNode的内存大小；

　　　　　　HDFS适用于高吞吐量，而不适合低时间延迟的访问；

　　　　　　流式读取的方式，不适合多用户写入一个文件（一个文件同时只能被一个客户端写），以及任意位置写入（不支持随机写）；

　　　　　　HDFS更加适合写入一次，读取多次的应用场景。

3’　　基本命令

　　　　格式：　　hadoop fs -cmd args　　其中，cmd为具体的操作，args为参数

　　　　常用命令：

　　　　　　　　hadoop fs -mkdir /user/trunk          #建立目录/user/trunk

　　　　　　　　hadoop fs -ls /user                  #查看/user目录下的目录和文件

　　　　　　　　hadoop fs -lsr /user                 #递归查看/user目录下的目录和文件

　　　　　　　　hadoop fs -put test.txt /user/trunk      #上传test.txt文件至/user/trunk

　　　　　　　　hadoop fs -get /user/trunk/test.txt      #获取/user/trunk/test.txt文件

　　　　　　　　hadoop fs -cat /user/trunk/test.txt      #查看/user/trunk/test.txt文件内容

　　　　　　　　hadoop fs -tail /user/trunk/test.txt      #查看/user/trunk/test.txt文件的最后1000行

　　　　　　　　hadoop fs -rm /user/trunk/test.txt       #删除/user/trunk/test.txt文件

　　　　　　　　hadoop fs -help ls                   #查看ls命令的帮助文档

二　　HDFS部署　　　　　　

主要步骤如下：

1． 配置Hadoop的安装环境；

2． 配置Hadoop的配置文件；

3． 启动HDFS服务；

4． 验证HDFS服务可用。

1‘　　查看是否存在hadoop安装目录　　 ls  /usr/cstor/hadoop　　如果没有，利用工具从本地导入hadoop安装文件。

　　　　　　　　

　　 查看jdk是否存在，如果没有同上方法导入

　　　　　　

2’　　确认集群服务器之间可SSH免密登录

　　　　　　使用ssh工具登录到每一台服务器，执行命令ssh 主机名，确认每台集群服务器均可SSH免密登录。方法查看我的博客　>>　http://www.cnblogs.com/1996swg/p/7270728.html

3‘　　查看hadoop_env.sh 文件，此文件只需修改JAVA_HOME

　　　　　　用vim编辑器修改此文件，将export JAVA_HOME=${JAVA_HOME}改为jdk的目录，例如在我的电脑上是export JAVA_HOME=/usr/local/jdk1.7.0_79/

4’　　指定HDFS主节点

　　　　　　此处需要配置文件  core-site.xml  ，查看该文件，并<configuration></configuration>标签之间修改如图所示的配置：

　　　　　　

5‘　　拷贝该配置到集群其他子集上，首先查看你的集群所有子集

　　　　　　

　　　　输入命令　　for  x  in  `cat  ~/data/2/machines` ; do  echo  $x ; scp  -r  /usr/cstor/hadoop/etc  $x:/usr/cstor/hadoop  ; done;　　实现拷贝

6’　　启动HDFS节点

　　　　　　首先在master服务器上格式化主节点　　　hdfs  namenode  -format

　　　　　　其次配置slaves文件，将localhost修改为slave1~3；　　　

　　　　　　最后在hadoop安装目录下统一启动HDFS；

　　　　　　用jps  命令在各个子集检验是否启动节点成功；

　　　　　　　　

7‘　　hdfs配置成功后可以在client上向HDFS上传文件：

　　　　　　　　

三 　　读写HDFS文件

1’　　 配置client服务器classpath

　　　　　（1）　使用ssh工具登录client服务器，执行命令vi /etc/profile，编辑该文件。Linux 中/etc/profile文件的改变会涉及到系统的环境，也就是有关Linux环境变量。

　　　　　　修改设置Classpath的目的，在于告诉Java执行环境，在哪些目录下可以找到您所要执行的Java程序(.class文件)。

　　　　　　将末尾的如下几行：

JAVA_HOME=/usr/local/jdk1.7.0_79/

export JRE_HOME=/usr/local/jdk1.7.0_79//jre

export PATH=$PATH:$JAVA_HOME/bin:$JRE_HOME/bin

export CLASSPATH=.:$JAVA_HOME/lib:$JRE_HOME/lib

export HADOOP_HOME=/usr/cstor/hadoop

export PATH=$PATH:$HADOOP_HOME/bin

export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native

export HADOOP_OPTS="-Djava.library.path=$HADOOP_HOME/lib"

　　　　　　用下列行进行替换（注意路径不同自行修改）：

JAVA_HOME=/usr/local/jdk1.7.0_79/

export HADOOP_HOME=/usr/cstor/hadoop

export JRE_HOME=/usr/local/jdk1.7.0_79//jre

export PATH=$PATH:$JAVA_HOME/bin:$JRE_HOME/bin

export CLASSPATH=.:$JAVA_HOME/lib:$JRE_HOME/lib:$HADOOP_HOME/share/hadoop/common/*:$HADOOP_HOME/share/hadoop/common/lib/*

export PATH=$PATH:$HADOOP_HOME/bin

export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native

export HADOOP_OPTS="-Djava.library.path=$HADOOP_HOME/lib:$HADOOP_HOME/lib/native"

　　　（2）　执行命令source /etc/profile，使刚才的环境变量修改生效；

2’　　在client服务器编写HDFS写程序

　　　　　　（1）在client服务器上执行命令vi WriteFile.java，编写HDFS写文件程序：

 import org.apache.hadoop.conf.Configuration;
 import org.apache.hadoop.fs.FSDataOutputStream;
 import org.apache.hadoop.fs.FileSystem;
 import org.apache.hadoop.fs.Path;
 public class WriteFile {
 public static void main(String[] args)throws Exception{
 Configuration conf=new Configuration();
 FileSystem hdfs = FileSystem.get(conf);
 Path dfs = new Path("/weather.txt");
 FSDataOutputStream outputStream = hdfs.create(dfs);
 outputStream.writeUTF("nj 20161009 23\n");
 outputStream.close();
 }
 }

WriteFile.java

　　　　　　（2）编译并打包HDFS写程序

　　　　　　　　使用javac编译刚刚编写的代码，并使用jar命令打包为hdpAction.jar

　　　　　　　　

　　　　　　（3）执行HDFS写程序

　　　　　　　　　　在client服务器上使用hadoop jar命令执行hdpAction.jar：

　　　　　　　　

　　　　　　　　　　查看是否已生成weather.txt文件，若已生成，则查看文件内容是否正确：

　　　　　　　　

 3‘　　在client服务器编写HDFS读程序

　　　　　　　（1）在client服务器上执行命令vi ReadFile.java，编写HDFS读WriteFile.txt文件程序：　

 import java.io.IOException;

 import org.apache.Hadoop.conf.Configuration;
 import org.apache.Hadoop.fs.FSDataInputStream;
 import org.apache.Hadoop.fs.FileSystem;
 import org.apache.Hadoop.fs.Path;

 public class ReadFile {
   public static void main(String[] args) throws IOException {
     Configuration conf = new Configuration();
     Path inFile = new Path("/weather.txt"); //读取WriteFile.txt文件
     FileSystem hdfs = FileSystem.get(conf);
     FSDataInputStream inputStream = hdfs.open(inFile);
     System.out.println("myfile: " + inputStream.readUTF());
     inputStream.close();
   }
 }

ReadFile.java

　　　　　　 （2）编译文件并打包，然后执行；

　　　　　　　

四　　配置eclipase  Hadoop插件并进行打包上传

1’　　首先下载eclipse hadoop插件，解压为jar文件，将其放置在eclipse文件位置的plugins文件夹下，例如D:\eclipse-standard-kepler-SR2-win32\eclipse\plugins

2‘　　配置本地的hadoop环境，需下载hadoop组件（到阿帕奇下吧^_^，http://hadoop.apache.org/），解压为

3'　　打开eclipase新建project查看是否已经有Map/Reduce Project的选项。第一次新建Map/Reduce项目时，需要指定hadoop解压后的位置（即第二部组件解压的位置），在新建时项目填写界面右中间有hadoop的路径填写；

4’　　编写java文件，例如上述的ReadFile.java

5‘　　打包成jar文件，右击项目的export的jar file，然后选择所需的文件打包成jar文件，(此步骤是重点)

　　　　>>>>>>>>>>>>

6’　　使用WinSCP、XManager或其它SSH工具的sftp工具上传刚刚生成的hdpAction.jar包至client服务器（我用的是工具），并在client服务器上使用hadoop jar命令执行hdpAction.jar，查看程序运行结果。

　　　　

　　　>运行该jar文件　　hadoop jar ~/hdpAction.jar ReadFile
　　　　　　

总结：

　　对于HDFS文件读写的学习，很基础同时也很重要，在后面关于yarn，mapreduce等的学习都要基于此处之上才能逐步了解。

　　只有一种失败就是半途而废。所以每天的学习会逐步积累，潜移默化。