Hadoop文件系统操作之读取写入数据

一.从hadoop文件系统hdfs读取文件

　　读取hdfs文件有两种方法：

　　1.使用java.net.URL对象打开数据流，从中读取代码

import java.io.IOException;
import java.io.InputStream;
import java.net.MalformedURLException;
import java.net.URL;

import org.apache.commons.compress.utils.IOUtils;
import org.apache.hadoop.fs.FsUrlStreamHandlerFactory;

public class URLCat
{
static
　　{
URL.setURLStreamHandlerFactory(new FsUrlStreamHandlerFactory());
}

public static void main(String [] args) throws MalformedURLException, IOException
{
try(InputStream in = new URL(args[0]).openStream();)
{
IOUtils.copy(in, System.out);
}
}
}

　　要想让java程序能识别Hadoop的hdfs URL必须通过FsUrlStreamHandlerFactory实例调用java.net.URL对象的setURLStreamHandlerFactory方法，然而每个java虚拟机只能调用一次这个方法，这意味着如果如果程序的其他组件已经声明了一个URLStreamHandlerFactory对象，将无法用这种方法从hadoop读取文件

　　2.通过调用FileSystem API 读取数据

import java.io.*;
import java.net.URI;

import org.apache.commons.compress.utils.IOUtils;
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 FileSystemCat
{
public static void main(String [] args) throws IOException
{
String uri = args[0];
Configuration conf = new Configuration();
FileSystem fs = FileSystem.get(URI.create(uri),conf);
try(InputStream in = fs.open(new Path(uri)))
{
IOUtils.copy(in,System.out);
//((FSDataInputStream) in).seek(0);
//IOUtils.copy(in, System.out);
}
}
}

　　

　　Configuration 对象封装了客户端或者服务端的配置

　　public static FileSystem.get(URI uri,Configuration conf)通过给定的URL来确定要使用的文件系统

　　Public FSDateInputStream open(Path f) throws IOException用来获取文件的输入流

　　FSDateInputStream类继承了Seekable接口和PositionedReadable接口，因此可以从流的随意位置读取数据，Seelable接口提供的seek（）类是一个相对高开销的操作，需要谨慎使用

二.向hadoop文件系统hdfs写入数据

import java.io.BufferedInputStream;
import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.OutputStream;
import java.net.URI;
import org.apache.commons.compress.utils.IOUtils;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.util.Progressable;

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

try (OutputStream out = fs.create(new Path(dst),new Progressable(){
public void progress()
{
System.out.print(".");//用于显示文件复制进度
}
}))
{
IOUtils.copy(in, out);
}
}
}

使用运行参数："/home/hadoop/Desktop/1.txt" "hdfs://localhost/user/hadoop/output/1.txt"

程序在运行时可能会出现错误：

Exception in thread "main" java.net.ConnectException: Call From thewolf/127.0.1.1 to localhost:8020 failed on connection exception: java.net.ConnectException: Connection refused; For more details see: http://wiki.apache.org/hadoop/ConnectionRefused
原因：是没有指定访问分布式文件系统的端口号：即配置文件里面设定的文件系统端口，执行程序会根据默认的8020端口去访问文件系统，而访问不到出现上述错误。

解决方法：指定访问hdfs的端口号（自己配置的端口号，我配置的是9000）：更改运行参数为："/home/hadoop/Desktop/1.txt" "hdfs://localhost:9000/user/hadoop/output/1.txt"

　　public FSDataOutputStream create(Path f) throws IOException 能够为需要写入切当前不存在的文件创建父文件目录，可先用exists()方法检查父目录是否存在；append（）方法用于在一个已经存在的文件末尾追加数据

　　FSDataInputStream继承了借口Syncable，可用getPos()方法查询文件当前位置，但是FSDataInputStream类不允许在文件中定位，因为HDFS只允许对一个已打开文件顺序写入，或者在现有文件后面追加数据。

　　Progressable用于传递回调接口，每次Hadoop将64KB数据写入datanode管线后都会调用Progressable接口的progress

public interface Progressable
{
　　public void progress();
}