一、HDFS概述
数据量越来越多，在一个操作系统管辖的范围存不下了，那么就分配到更多的操作系统管理的磁盘中，但是不方便管理和维护，因此迫切需要一种系统来管理多台机器上的文件，这就是分布式文件管理系统 。
是一种允许文件通过网络在多台主机上分享的文件系统，可让多机器上的多用户分享文件和存储空间。
通透性。让实际上是通过网络来访问文件的动作，由程序与用户看来，就像是访问本地的磁盘一般。
容错。即使系统中有某些节点宕机，整体来说系统仍然可以持续运作而不会有数据损失【通过副本机制实现】。
分布式文件管理系统很多，hdfs只是其中一种，不合适小文件。
HDFS结构
二、NameNode
NameNode是整个文件系统的管理节点。它维护着整个文件系统的文件目录树，文件/目录的元信息和每个文件对应的数据块列表。接收用户的操作请求。
文件包括：
fsimage:元数据镜像文件。存储某一时段NameNode内存元数据信息。
edits:操作日志文件，namenode启动后一些新增元信息日志。
fstime:保存最近一次checkpoint的时间
以上这些文件是保存在linux的文件系统中。
hdfs-site.xml的dfs.namenode.name.dir属性
三、DataNode
提供真实文件数据的存储服务。
文件块（block）：最基本的存储单位。对于文件内容而言，一个文件的长度大小是size，那么从文件的０偏移开始，按照固定的大小，顺序对文件进行划分并编号，划分好的每一个块称一个Block。2.0以后HDFS默认Block大小是128MB，以一个256MB文件，共有256/128=2个Block.(注意，这里不是说，重要大于128M就会产生一个block块，默认是128M，用户可以自己更改的，但是我们一般不去更改)
hdfs-site.xml中dfs.blocksize属性
不同于普通文件系统的是，HDFS中，如果一个文件小于一个数据块的大小，并不占用整个数据块存储空间 Replication。多复本。默认是三个。
hdfs-site.xml的dfs.replication属性
四、Client读取多副本文件过程
五、HDFS的Trash回收站
和Linux系统(桌面环境)的回收站设计一样，HDFS会为每一个用户创建一个回收站目录：/user/用户名/.Trash/，每一个被用户通过Shell删除的文件/目录，fs.trash.interval是在指在这个回收周期之内，文件实际上是被移动到trash的这个目录下面，而不是马上把数据删除掉。等到回收周期真正到了以后，hdfs才会将数据真正删除。默认的单位是分钟，1440分钟=60*24，刚好是一天。 配置：在每个节点(不仅仅是主节点)上添加配置 core-site.xml,增加如下内容
<property>
<name>fs.trash.interval</name>
<value>1440</value>
</property>
注意：如果删除的文件过大，超过回收站大小的话会提示删除失败
需要指定参数 -skipTrash
六、通过Java代码去操作HDFS（这里使用Myeclipse 或者 IDEA 或者 eclipse都是可以的）
1、创建一个maven项目
2、修改pom.xml文件，将这几个有关依赖添加进去，保存。
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.11</version>
<scope>test</scope>
</dependency> <dependency>
<groupId>mysql</groupId>
<artifactId>mysql-connector-java</artifactId>
<version>5.1.17</version>
</dependency> <dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-common</artifactId>
<version>2.6.0</version>
</dependency> <dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>2.6.0</version>
</dependency> <dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-hdfs</artifactId>
<version>2.6.0</version>
</dependency>
3、编写Java代码，连接到HDFS(我这里没有导包，注意不要导错包，Hadoop下的)
public class hdfsDemo2 {
public static void main(String[] args) throws Exception {
//
URI uri = new URI("hdfs://192.168.230.50:9000"); //输入你的namenode的节点信息
Configuration conf = new Configuration();
FileSystem fs = FileSystem.get(uri, conf);
// method2(fs);
method1(fs);
}
4、简单的操作，对HDFS创建文件夹以及删除文件夹
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path; import java.io.*;
import java.net.URI; public class hdfsDemo2 {
public static void main(String[] args) throws Exception {
//
URI uri = new URI("hdfs://192.168.230.50:9000");
Configuration conf = new Configuration();
FileSystem fs = FileSystem.get(uri, conf);
// method2(fs); method1(fs);
} private static void method2(FileSystem fs) throws IOException {
boolean b1 = fs.mkdirs(new Path("/data/"));
System.out.println(b1); boolean b2 = fs.delete(new Path("/data/"),true);
System.out.println(b2);
} private static void method1(FileSystem fs) throws IOException, UnsupportedEncodingException, FileNotFoundException {
//从hdfs上读取数据
FSDataInputStream in = fs.open(new Path("/usr/test/empldata.csv"));
BufferedReader br = new BufferedReader(new InputStreamReader(in, "utf-8"));
String line = null;
while((line=br.readLine())!=null){
System.out.println(line);
}
in.close(); //从本地上传到hdfs上面
/*FileInputStream fi = new FileInputStream("F:\\新桌面\\dianxin_data");
FSDataOutputStream fo = fs.create(new Path("/usr/test/hdfstest.txt"));
IOUtils.copyBytes(fi, fo, 1024, true);*/
}
}
七、将HDFS的文件读出到JVM，再存入到Mysql数据库中
1、先在数据库中建表并插入数据
DROP TABLE IF EXISTS `emp`;
CREATE TABLE `emp` (
`EMPNO` int(4) NOT NULL,
`ENAME` varchar(10) DEFAULT NULL,
`JOB` varchar(9) DEFAULT NULL,
`MGR` varchar(10) DEFAULT NULL,
`HIREDATE` date DEFAULT NULL,
`SAL` int(7) DEFAULT NULL,
`COMM` int(7) DEFAULT NULL,
`DEPTNO` int(2) DEFAULT NULL,
PRIMARY KEY (`EMPNO`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8;
字段中文名字依次是：工号，姓名，工作岗位，部门经理，受雇日期，薪金，奖金，部门编号
insert into `emp`(`EMPNO`,`ENAME`,`JOB`,`MGR`,`HIREDATE`,`SAL`,`COMM`,`DEPTNO`) values
('','SMITH','CLERK','','1980-12-17','',null,''),
('','ALLEN','SALESMAN','','1981-02-20','','',''),
('','WARD','SALESMAN','','1981-02-22','','',''),
('','JONES','MANAGER','','1981-04-02','',null,''),
('','MARTIN','SALESMAN','','1981-09-28','','',''),
('','BLAKE','MANAGER','','1981-05-01','',null,''),
('','CLARK','MANAGER','','1981-06-09','',null,''),
('','SCOTT','ANALYST','','1987-04-19','',null,''),
('','KING','PRESIDENT',null,'1981-11-17','',null,''),
('','TURNER','SALESMAN','','1981-09-08','','',''),
('','ADAMS','CLERK','','1987-05-23','',null,''),
('','JAMES','CLERK','','1981-12-03','',null,''),
('','FORD','ANALYST','','1981-12-03','',null,''),
('','MILLER','CLERK','','1982-01-23','',null,''); DROP TABLE IF EXISTS `dept`;
CREATE TABLE `dept` (
`DEPTNO` int(2) NOT NULL,
`DNAME` varchar(14) DEFAULT NULL,
`LOC` varchar(13) DEFAULT NULL,
PRIMARY KEY (`DEPTNO`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8; insert into `dept`(`DEPTNO`,`DNAME`,`LOC`) values
('','ACCOUNTING','NEW YORK'),
('','RESEARCH','DALLAS'),
('','SALES','CHICAGO'),
('','OPERATIONS','BOSTON');
2、我将要插入的数据：
7369,SMITH,CLERK,7902,1980-12-17,800,null,20
7499,ALLEN,SALESMAN,7698,1981-02-20,1600,300,30
7521,WARD,SALESMAN,7698,1981-02-22,1250,500,30
7566,JONES,MANAGER,7839,1981-04-02,2975,null,20),
7654,MARTIN,SALESMAN,7698,1981-09-28,1250,1400,30
7698,BLAKE,MANAGER,7839,1981-05-01,2850,null,30
7782,CLARK,MANAGER,7839,1981-06-09,2450,null,10
7788,SCOTT,ANALYST,7566,1987-04-19,3000,null,20
7839,KING,PRESIDENT,null,1981-11-17,5000,null,10
7844,TURNER,SALESMAN,7698,1981-09-08,1500,0,30
7876,ADAMS,CLERK,7788,1987-05-23,1100,null,20
7900,JAMES,CLERK,7698,1981-12-03,950,null,30
7902,FORD,ANALYST,7566,1981-12-03,3000,null,20
7934,MILLER,CLERK,7782,1982-01-23,1300,null,10
3、先将数据文件通过命令 hadoop fs -put 上传到HDFS中去。
4、编写Java代码
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path; import java.io.BufferedReader;
import java.io.InputStreamReader;
import java.net.URI;
import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.Statement; public class hdfsDemo {
public static void main(String[] args) throws Exception{ //hdfs的配置
URI uri = new URI("hdfs://192.168.230.50:9000");
Configuration conf = new Configuration();
FileSystem fs = FileSystem.get(uri,conf); //mysql的配置
Class.forName("com.mysql.jdbc.Driver");
Connection conn = DriverManager.getConnection("jdbc:mysql://192.168.230.50:3306/test", "root", "123456");
System.out.println(conn);
Statement st = conn.createStatement(); FSDataInputStream fdis = fs.open(new Path("/usr/test/empldata.csv"));
BufferedReader br = new BufferedReader(new InputStreamReader(fdis));
String line = null;
while((line = br.readLine())!=null){
String[] split = line.split(",");
String EMPNO = split[0];
String ENAME = split[1];
String JOB = split[2];
String MGR = split[3];
String HIREDATE = split[4];
String SAL = split[5];
String COMM = split[6];
String DEPTNO = split[7]; String sql = "insert into test.emp(EMPNO,ENAME,JOB,MGR,HIREDATE,SAL,COMM,DEPTNO) values " +
"("+"'"+EMPNO+"'"+","+"'"+ENAME+"'"+","+"'"+JOB+"'"+","+"'"+MGR+"'"+","+"'"+HIREDATE+"'"+","+"'"+SAL+"'"+","+"'"+COMM+"'"+","+"'"+DEPTNO+"'"+")";
System.out.println(sql);
st.execute(sql);
} fdis.close();
conn.close(); }
}
八、数据存储->读文件（重要！！！）
读文件流程分析：
1.首先调用FileSystem对象的open方法，其实是一个DistributedFileSystem的实例
2.DistributedFileSystem通过rpc获得文件的第一个block的locations，同一block按照副本数会返回多个locations，这些locations按照hadoop拓扑结构排序，距离客户端近的排在前面.
3.前两步会返回一个FSDataInputStream对象，该对象会被封装成DFSInputStream对象，DFSInputStream可以方便的管理datanode和namenode数据流。客户端调用read方法，DFSInputStream最会找出离客户端最近的datanode并连接。
4.数据从datanode源源不断的流向客户端。
5.如果第一块的数据读完了，就会关闭指向第一块的datanode连接，接着读取下一块。这些操作对客户端来说是透明的，客户端的角度看来只是读一个持续不断的流。
6.如果第一批block都读完了，DFSInputStream就会去namenode拿下一批blocks的location，然后继续读，如果所有的块都读完，这时就会关闭掉所有的流。
如果在读数据的时候，DFSInputStream和datanode的通讯发生异常，就会尝试正在读的block的排第二近的datanode,并且会记录哪个datanode发生错误，剩余的blocks读的时候就会直接跳过该datanode。DFSInputStream也会检查block数据校验和，如果发现一个坏的block,就会先报告到namenode节点，然后DFSInputStream在其他的datanode上读该block的镜像
该设计的方向就是客户端直接连接datanode来检索数据并且namenode来负责为每一个block提供最优的datanode，namenode仅仅处理block location的请求，这些信息都加载在namenode的内存中，hdfs通过datanode集群可以承受大量客户端的并发访问。
九、数据存储->写文件（重要！！！）
1.客户端通过调用DistributedFileSystem的create方法创建新文件
2.DistributedFileSystem通过RPC调用namenode去创建一个没有blocks关联的新文件，创建前，namenode会做各种校验，比如文件是否存在，客户端有无权限去创建等。如果校验通过，namenode就会记录下新文件，否则就会抛出IO异常.
3.前两步结束后会返回FSDataOutputStream的对象，象读文件的时候相似，FSDataOutputStream被封装成DFSOutputStream.DFSOutputStream可以协调namenode和datanode。客户端开始写数据到DFSOutputStream,DFSOutputStream会把数据切成一个个小packet，然后排成队列data quene。 4.DataStreamer会去处理接受data queue，他先问询namenode这个新的block最适合存储的在哪几个datanode里，比如副本数是3，那么就找到3个最适合的datanode，把他们排成一个pipeline.DataStreamer把packet按队列输出到管道的第一个datanode中，第一个datanode又把packet输出到第二个datanode中，以此类推。
5.DFSOutputStream还有一个对列叫ack queue，也是有packet组成，等待datanode的收到响应，当pipeline中的所有datanode都表示已经收到的时候，这时akc queue才会把对应的packet包移除掉。 如果在写的过程中某个datanode发生错误，会采取以下几步：1) pipeline被关闭掉；2)为了防止丢包ack queue里的packet会同步到data queue里；3)把产生错误的datanode上当前在写但未完成的block删掉；4）block剩下的部分被写到剩下的两个正常的datanode中；5）namenode找到另外的datanode去创建这个块的复制。当然，这些操作对客户端来说是无感知的。
6.客户端完成写数据后调用close方法关闭写入流
7.DataStreamer把剩余得包都刷到pipeline里然后等待ack信息，收到最后一个ack后，通知datanode把文件标示为已完成。