5、HDFS常用操作

先说一下"hadoop fs 和hadoop dfs的区别"，看两本Hadoop书上各有用到，但效果一样，求证与网络发现下面一解释比较中肯。

粗略的讲，fs是个比较抽象的层面，在分布式环境中，fs就是dfs，但在本地环境中，fs是local file system，这个时候dfs就不能用。

5.1 文件操作

1）列出HDFS文件

此处为你展示如何通过"-ls"命令列出HDFS下的文件：

hadoop fs -ls

执行结果如图5-1-1所示。在这里需要注意：在HDFS中未带参数的"-ls"命名没有返回任何值，它默认返回HDFS的"home"目录下的内容。在HDFS中，没有当前目录这样一个概念，也没有cd这个命令。

图5-1-1 列出HDFS文件

2）列出HDFS目录下某个文档中的文件

此处为你展示如何通过"-ls 文件名"命令浏览HDFS下名为"input"的文档中文件：

hadoop fs –ls input

执行结果如图5-1-2所示。

图5-1-2 列出HDFS下名为input的文档下的文件

3）上传文件到HDFS

此处为你展示如何通过"-put 文件1 文件2"命令将"Master.Hadoop"机器下的"/home/hadoop"目录下的file文件上传到HDFS上并重命名为test：

hadoop fs –put ~/file test

执行结果如图5-1-3所示。在执行"-put"时只有两种可能，即是执行成功和执行失败。在上传文件时，文件首先复制到DataNode上。只有所有的DataNode都成功接收完数据，文件上传才是成功的。其他情况（如文件上传终端等）对HDFS来说都是做了无用功。

图5-1-3 成功上传file到HDFS

4）将HDFS中文件复制到本地系统中

此处为你展示如何通过"-get 文件1 文件2"命令将HDFS中的"output"文件复制到本地系统并命名为"getout"。

hadoop fs –get output getout

执行结果如图5-1-4所示。

图5-1-4 成功将HDFS中output文件复制到本地系统

备注：与"-put"命令一样，"-get"操作既可以操作文件，也可以操作目录。

5）删除HDFS下的文档

此处为你展示如何通过"-rmr 文件"命令删除HDFS下名为"newoutput"的文档：

hadoop fs –rmr newoutput

执行结果如图5-1-5所示。

图5-1-5 成功删除HDFS下的newoutput文档

6）查看HDFS下某个文件

此处为你展示如何通过"-cat 文件"命令查看HDFS下input文件中内容：

hadoop fs -cat input/*

执行结果如图5-1-6所示。

图5-1-6 HDFS下input文件的内容

"hadoop fs"的命令远不止这些，本小节介绍的命令已可以在HDFS上完成大多数常规操作。对于其他操作，可以通过"-help commandName"命令所列出的清单来进一步学习与探索。

5.2 管理与更新

1）报告HDFS的基本统计情况

此处为你展示通过"-report"命令如何查看HDFS的基本统计信息：

hadoop dfsadmin -report

执行结果如图5-2-1所示。

图5-2-1 HDFS基本统计信息

2）退出安全模式

NameNode在启动时会自动进入安全模式。安全模式是NameNode的一种状态，在这个阶段，文件系统不允许有任何修改。安全模式的目的是在系统启动时检查各个DataNode上数据块的有效性，同时根据策略对数据块进行必要的复制或删除，当数据块最小百分比数满足的最小副本数条件时，会自动退出安全模式。

系统显示"Name node is in safe mode"，说明系统正处于安全模式，这时只需要等待17秒即可，也可以通过下面的命令退出安全模式：

hadoop dfsadmin –safemode enter

成功退出安全模式结果如图5-2-2所示。

图5-2-2 成功退出安全模式

3）进入安全模式

在必要情况下，可以通过以下命令把HDFS置于安全模式：

hadoop dfsadmin –safemode enter

执行结果如图5-2-3所示。

图5-2-3 进入HDFS安全模式

4）添加节点

可扩展性是HDFS的一个重要特性，向HDFS集群中添加节点是很容易实现的。添加一个新的DataNode节点，首先在新加节点上安装好Hadoop，要和NameNode使用相同的配置（可以直接从NameNode复制），修改"/usr/hadoop/conf/master"文件，加入NameNode主机名。然后在NameNode节点上修改"/usr/hadoop/conf/slaves"文件，加入新节点主机名，再建立到新加点无密码的SSH连接，运行启动命令：

start-all.sh

5）负载均衡

HDFS的数据在各个DataNode中的分布肯能很不均匀，尤其是在DataNode节点出现故障或新增DataNode节点时。新增数据块时NameNode对DataNode节点的选择策略也有可能导致数据块分布的不均匀。用户可以使用命令重新平衡DataNode上的数据块的分布：

start-balancer.sh

执行命令前，DataNode节点上数据分布情况如图5-2-4所示。

负载均衡完毕后，DataNode节点上数据的分布情况如图5-2-5所示。

执行负载均衡命令如图5-2-6所示。

6、HDFS API详解

Hadoop中关于文件操作类基本上全部是在"org.apache.hadoop.fs"包中，这些API能够支持的操作包含：打开文件，读写文件，删除文件等。

Hadoop类库中最终面向用户提供的接口类是FileSystem，该类是个抽象类，只能通过来类的get方法得到具体类。get方法存在几个重载版本，常用的是这个：

static FileSystem get(Configuration conf);

该类封装了几乎所有的文件操作，例如mkdir，delete等。综上基本上可以得出操作文件的程序库框架：

operator() 
{ 
    得到Configuration对象 
    得到FileSystem对象 
    进行文件操作 
} 

6.1 上传本地文件

通过"FileSystem.copyFromLocalFile（Path src，Patch dst）"可将本地文件上传到HDFS的制定位置上，其中src和dst均为文件的完整路径。具体事例如下

package com.hebut.file; 
import org.apache.hadoop.conf.Configuration; 
import org.apache.hadoop.fs.FileStatus; 
import org.apache.hadoop.fs.FileSystem; 
import org.apache.hadoop.fs.Path; 
public class CopyFile { 
    public static void main(String[] args) throws Exception { 
        Configuration conf=new Configuration(); 
        FileSystem hdfs=FileSystem.get(conf); 
         //本地文件 
        Path src =new Path("D:\\HebutWinOS"); 
        //HDFS为止 
        Path dst =new Path("/"); 
               hdfs.copyFromLocalFile(src, dst); 
        System.out.println("Upload to"+conf.get("fs.default.name")); 
        FileStatus files[]=hdfs.listStatus(dst); 
        for(FileStatus file:files){ 
            System.out.println(file.getPath()); 
        } 
    } 
} 

运行结果可以通过控制台、项目浏览器和SecureCRT查看，如图6-1-1、图6-1-2、图6-1-3所示。

1）控制台结果

图6-1-1 运行结果（1）

2）项目浏览器

图6-1-2 运行结果（2）

3）SecureCRT结果

图6-1-3 运行结果（3）

6.2 创建HDFS文件

通过"FileSystem.create（Path f）"可在HDFS上创建文件，其中f为文件的完整路径。具体实现如下：

package com.hebut.file; 
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 CreateFile { 
    public static void main(String[] args) throws Exception { 
        Configuration conf=new Configuration(); 
        FileSystem hdfs=FileSystem.get(conf); 
        byte[] buff="hello hadoop world!\n".getBytes(); 
        Path dfs=new Path("/test"); 
        FSDataOutputStream outputStream=hdfs.create(dfs); 
        outputStream.write(buff,0,buff.length); 
    } 
} 

运行结果如图6-2-1和图6-2-2所示。

1）项目浏览器

图6-2-1 运行结果（1）

2）SecureCRT结果

图6-2-2 运行结果（2）

6.3 创建HDFS目录

通过"FileSystem.mkdirs（Path f）"可在HDFS上创建文件夹，其中f为文件夹的完整路径。具体实现如下：

package com.hebut.dir; 
import org.apache.hadoop.conf.Configuration; 
import org.apache.hadoop.fs.FileSystem; 
import org.apache.hadoop.fs.Path; 
public class CreateDir { 
    public static void main(String[] args) throws Exception{ 
        Configuration conf=new Configuration(); 
        FileSystem hdfs=FileSystem.get(conf); 
        Path dfs=new Path("/TestDir"); 
               hdfs.mkdirs(dfs); 
    } 
} 

运行结果如图6-3-1和图6-3-2所示。

1）项目浏览器

图6-3-1 运行结果（1）

2）SecureCRT结果

图6-3-2 运行结果（2）

6.4 重命名HDFS文件

通过"FileSystem.rename（Path src，Path dst）"可为指定的HDFS文件重命名，其中src和dst均为文件的完整路径。具体实现如下：

package com.hebut.file; 
import org.apache.hadoop.conf.Configuration; 
import org.apache.hadoop.fs.FileSystem; 
import org.apache.hadoop.fs.Path; 
public class Rename{ 
    public static void main(String[] args) throws Exception { 
        Configuration conf=new Configuration(); 
        FileSystem hdfs=FileSystem.get(conf); 
        Path frpaht=new Path("/test");    //旧的文件名 
        Path topath=new Path("/test1");    //新的文件名 
        boolean isRename=hdfs.rename(frpaht, topath); 
        String result=isRename?"成功":"失败"; 
        System.out.println("文件重命名结果为："+result); 
    } 
} 

运行结果如图6-4-1和图6-4-2所示。

1）项目浏览器

图6-4-1 运行结果（1）

2）SecureCRT结果

图6-4-2 运行结果（2）

6.5 删除HDFS上的文件

通过"FileSystem.delete（Path f，Boolean recursive）"可删除指定的HDFS文件，其中f为需要删除文件的完整路径，recuresive用来确定是否进行递归删除。具体实现如下

package com.hebut.file; 
import org.apache.hadoop.conf.Configuration; 
import org.apache.hadoop.fs.FileSystem; 
import org.apache.hadoop.fs.Path; 
public class DeleteFile { 
    public static void main(String[] args) throws Exception { 
        Configuration conf=new Configuration(); 
        FileSystem hdfs=FileSystem.get(conf); 
        Path delef=new Path("/test1"); 
        boolean isDeleted=hdfs.delete(delef,false); 
        //递归删除 
        //boolean isDeleted=hdfs.delete(delef,true); 
        System.out.println("Delete?"+isDeleted); 
    } 
} 

运行结果如图6-5-1和图6-5-2所示。

1）控制台结果

图6-5-1 运行结果（1）

2）项目浏览器

图6-5-2 运行结果（2）

6.6 删除HDFS上的目录

同删除文件代码一样，只是换成删除目录路径即可，如果目录下有文件，要进行递归删除。

6.7 查看某个HDFS文件是否存在

通过"FileSystem.exists（Path f）"可查看指定HDFS文件是否存在，其中f为文件的完整路径。具体实现如下：

package com.hebut.file; 
import org.apache.hadoop.conf.Configuration; 
import org.apache.hadoop.fs.FileSystem; 
import org.apache.hadoop.fs.Path; 
public class CheckFile { 
    public static void main(String[] args) throws Exception { 
        Configuration conf=new Configuration(); 
        FileSystem hdfs=FileSystem.get(conf); 
        Path findf=new Path("/test1"); 
        boolean isExists=hdfs.exists(findf); 
        System.out.println("Exist?"+isExists); 
    } 
} 

运行结果如图6-7-1和图6-7-2所示。

1）控制台结果

图6-7-1 运行结果（1）

2）项目浏览器

图6-7-2 运行结果（2）

6.8 查看HDFS文件的最后修改时间

通过"FileSystem.getModificationTime()"可查看指定HDFS文件的修改时间。具体实现如下：

package com.hebut.file; 
import org.apache.hadoop.conf.Configuration; 
import org.apache.hadoop.fs.FileStatus; 
import org.apache.hadoop.fs.FileSystem; 
import org.apache.hadoop.fs.Path; 
public class GetLTime { 
    public static void main(String[] args) throws Exception { 
        Configuration conf=new Configuration(); 
        FileSystem hdfs=FileSystem.get(conf);    
       Path fpath =new Path("/user/hadoop/test/file1.txt"); 
        FileStatus fileStatus=hdfs.getFileStatus(fpath); 
        long modiTime=fileStatus.getModificationTime(); 
        System.out.println("file1.txt的修改时间是"+modiTime); 
    } 
} 

运行结果如图6-8-1所示。

图6-8-1 控制台结果

6.9 读取HDFS某个目录下的所有文件

通过"FileStatus.getPath（）"可查看指定HDFS中某个目录下所有文件。具体实现如下：

package com.hebut.file; 
import org.apache.hadoop.conf.Configuration; 
import org.apache.hadoop.fs.FileStatus; 
import org.apache.hadoop.fs.FileSystem; 
import org.apache.hadoop.fs.Path; 
public class ListAllFile { 
    public static void main(String[] args) throws Exception { 
        Configuration conf=new Configuration(); 
        FileSystem hdfs=FileSystem.get(conf); 
        Path listf =new Path("/user/hadoop/test"); 
        FileStatus stats[]=hdfs.listStatus(listf); 
        for(int i = 0; i < stats.length; ++i) 
 { 
 System.out.println(stats[i].getPath().toString()); 
 } 
        hdfs.close(); 
    } 
} 

运行结果如图6-9-1和图6-9-2所示。

1）控制台结果

图6-9-1 运行结果（1）

2）项目浏览器

图6-9-2 运行结果（2）

6.10 查找某个文件在HDFS集群的位置

通过"FileSystem.getFileBlockLocation（FileStatus file，long start，long len）"可查找指定文件在HDFS集群上的位置，其中file为文件的完整路径，start和len来标识查找文件的路径。具体实现如下：

package com.hebut.file; 
import org.apache.hadoop.conf.Configuration; 
import org.apache.hadoop.fs.BlockLocation; 
import org.apache.hadoop.fs.FileStatus; 
import org.apache.hadoop.fs.FileSystem; 
import org.apache.hadoop.fs.Path; 
public class FileLoc { 
    public static void main(String[] args) throws Exception { 
        Configuration conf=new Configuration(); 
        FileSystem hdfs=FileSystem.get(conf); 
        Path fpath=new Path("/user/hadoop/cygwin"); 
        FileStatus filestatus = hdfs.getFileStatus(fpath); 
        BlockLocation[] blkLocations = hdfs.getFileBlockLocations(filestatus, 0, filestatus.getLen()); 
        int blockLen = blkLocations.length; 
        for(int i=0;i
            String[] hosts = blkLocations[i].getHosts(); 
            System.out.println("block_"+i+"_location:"+hosts[0]); 
        } 
    } 
} 

运行结果如图6-10-1和6.10.2所示。

1）控制台结果

图6-10-1 运行结果（1）

2）项目浏览器

图6-10-2 运行结果（2）

6.11 获取HDFS集群上所有节点名称信息

通过"DatanodeInfo.getHostName（）"可获取HDFS集群上的所有节点名称。具体实现如下：

package com.hebut.file; 
import org.apache.hadoop.conf.Configuration; 
import org.apache.hadoop.fs.FileSystem; 
import org.apache.hadoop.hdfs.DistributedFileSystem; 
import org.apache.hadoop.hdfs.protocol.DatanodeInfo; 
public class GetList { 
    public static void main(String[] args) throws Exception { 
        Configuration conf=new Configuration(); 
        FileSystem fs=FileSystem.get(conf); 
        DistributedFileSystem hdfs = (DistributedFileSystem)fs; 
        DatanodeInfo[] dataNodeStats = hdfs.getDataNodeStats();        
        for(int i=0;i
 System.out.println("DataNode_"+i+"_Name:"+dataNodeStats[i].getHostName()); 
        } 
    } 
} 

运行结果如图6-11-1所示。

图6-11-1 控制台结果

7、HDFS的读写数据流

7.1 文件的读取剖析

文件读取的过程如下：

1）解释一

• 客户端(client)用FileSystem的open()函数打开文件。

• DistributedFileSystem用RPC调用元数据节点，得到文件的数据块信息。

• 对于每一个数据块，元数据节点返回保存数据块的数据节点的地址。

• DistributedFileSystem返回FSDataInputStream给客户端，用来读取数据。

• 客户端调用stream的read()函数开始读取数据。

• DFSInputStream连接保存此文件第一个数据块的最近的数据节点。

• Data从数据节点读到客户端(client)。

• 当此数据块读取完毕时，DFSInputStream关闭和此数据节点的连接，然后连接此文件下一个数据块的最近的数据节点。

• 当客户端读取完毕数据的时候，调用FSDataInputStream的close函数。

• 在读取数据的过程中，如果客户端在与数据节点通信出现错误，则尝试连接包含此数据块的下一个数据节点。

• 失败的数据节点将被记录，以后不再连接。

2）解释二

• 使用HDFS提供的客户端开发库，向远程的Namenode发起RPC请求；

• Namenode会视情况返回文件的部分或者全部block列表，对于每个block，Namenode都会返回有该block拷贝的datanode地址；

• 客户端开发库会选取离客户端最接近的datanode来读取block；

• 读取完当前block的数据后，关闭与当前的datanode连接，并为读取下一个block寻找最佳的datanode；

• 当读完列表的block后，且文件读取还没有结束，客户端开发库会继续向Namenode获取下一批的block列表。

• 读取完一个block都会进行checksum验证，如果读取datanode时出现错误，客户端会通知Namenode，然后再从下一个拥有该block拷贝的datanode继续读。

7.2 文件的写入剖析

写入文件的过程比读取较为复杂：

1）解释一

• 客户端调用create()来创建文件

• DistributedFileSystem用RPC调用元数据节点，在文件系统的命名空间中创建一个新的文件。

• 元数据节点首先确定文件原来不存在，并且客户端有创建文件的权限，然后创建新文件。

• DistributedFileSystem返回DFSOutputStream，客户端用于写数据。

• 客户端开始写入数据，DFSOutputStream将数据分成块，写入data queue。

• Data queue由Data Streamer读取，并通知元数据节点分配数据节点，用来存储数据块(每块默认复制3块)。分配的数据节点放在一个pipeline里。

• Data Streamer将数据块写入pipeline中的第一个数据节点。第一个数据节点将数据块发送给第二个数据节点。第二个数据节点将数据发送给第三个数据节点。

• DFSOutputStream为发出去的数据块保存了ack queue，等待pipeline中的数据节点告知数据已经写入成功。

• 如果数据节点在写入的过程中失败：

  • 关闭pipeline，将ack queue中的数据块放入data queue的开始。

  • 当前的数据块在已经写入的数据节点中被元数据节点赋予新的标示，则错误节点重启后能够察觉其数据块是过时的，会被删除。

  • 失败的数据节点从pipeline中移除，另外的数据块则写入pipeline中的另外两个数据节点。

  • 元数据节点则被通知此数据块是复制块数不足，将来会再创建第三份备份。

• 当客户端结束写入数据，则调用stream的close函数。此操作将所有的数据块写入pipeline中的数据节点，并等待ack queue返回成功。最后通知元数据节点写入完毕。

2）解释二

• 使用HDFS提供的客户端开发库，向远程的Namenode发起RPC请求；

• Namenode会检查要创建的文件是否已经存在，创建者是否有权限进行操作，成功则会为文件创建一个记录，否则会让客户端抛出异常；

• 当客户端开始写入文件的时候，开发库会将文件切分成多个packets，并在内部以"data queue"的形式管理这些packets，并向Namenode申请新的blocks，获取用来存储replicas的合适的datanodes列表，列表的大小根据在Namenode中对replication的设置而定。

• 开始以pipeline（管道）的形式将packet写入所有的replicas中。开发库把packet以流的方式写入第一个datanode，该datanode把该packet存储之后，再将其传递给在此pipeline中的下一个datanode，直到最后一个datanode，这种写数据的方式呈流水线的形式。

• 最后一个datanode成功存储之后会返回一个ack packet，在pipeline里传递至客户端，在客户端的开发库内部维护着"ack queue"，成功收到datanode返回的ack packet后会从"ack queue"移除相应的packet。

• 如果传输过程中，有某个datanode出现了故障，那么当前的pipeline会被关闭，出现故障的datanode会从当前的pipeline中移除，剩余的block会继续剩下的datanode中继续以pipeline的形式传输，同时Namenode会分配一个新的datanode，保持replicas设定的数量。