大数据技术原理与应用

Size: px

Start display at page:

Download "大数据技术原理与应用"

辰富
5 years ago
Views:

cn/post/bigdata 温馨提示 : 编辑幻灯片母版, 可以修改每页 PPT 的厦大校徽和底部文字第 3 章分布式文件系统 HDFS

1 大数据技术原理与应用厦门大学计算机科学系 ( 第 2 版 ) 厦门大学计算机科学系林子雨 2017 年 2 月版本 ziyulin@xmu.edu.cn 大数据技术原理与应用 ( 第 2 版 ) 温馨提示 : 编辑幻灯片母版, 可以修改每页 PPT 的厦大校徽和底部文字第 3 章分布式文件系统 HDFS (PPT 版本号 :2017 年 2 月版本 ) 林子雨厦门大学计算机科学系 ziyulin@xmu.edu.cn 主页 :

2 本章配套教学视频大数据技术原理与应用 ( 第 2 版 ) 第 3 章分布式文件系统 HDFS 在线视频观看地址

3 提纲 3.1 分布式文件系统 3.2 HDFS 简介 3.3 HDFS 相关概念 3.4 HDFS 体系结构 3.5 HDFS 存储原理 3.6 HDFS 数据读写过程 3.7 HDFS 编程实践本 PPT 是如下教材的配套讲义 : 大数据技术原理与应用概念存储处理分析与应用 (2017 年 2 月第 2 版 ) ISBN: 厦门大学林子雨编著, 人民邮电出版社欢迎访问大数据技术原理与应用教材官方网站 :

4 3.1 分布式文件系统计算机集群结构分布式文件系统的结构大数据技术原理与应用 ( 第 2 版 ) 厦门大学计算机科学系林子雨 ziyulin@xmu.edu.cn

5 3.1.1 计算机集群结构分布式文件系统把文件分布存储到多个计算机节点上, 成千上万的计算机节点构成计算机集群与之前使用多个处理器和专用高级硬件的并行化处理装置不同的是, 目前的分布式文件系统所采用的计算机集群, 都是由普通硬件构成的, 这就大大降低了硬件上的开销交换机网络互联节点 x Node 节点 y Node Node x Node y Node x Node y 机架 1 机架 2 机架 n 图 3-1 计算机集群的基本架构

6 3.1.2 分布式文件系统的结构分布式文件系统在物理结构上是由计算机集群中的多个节点构成的, 这些节点分为两类, 一类叫主节点 (Master Node) 或者也被称为名称结点 (NameNode), 另一类叫从节点 (Slave Node) 或者也被称为数据节点 (DataNode) 客户端访问请求主节点访问请求客户端读写写数据节点数据节点复制文件块机架 1 机架 n 图 3-2 大规模文件系统的整体结构

7 3.2 HDFS 简介总体而言,HDFS 要实现以下目标 : 兼容廉价的硬件设备流数据读写大数据集简单的文件模型强大的跨平台兼容性 HDFS 特殊的设计, 在实现上述优良特性的同时, 也使得自身具有一些应用局限性, 主要包括以下几个方面 : 不适合低延迟数据访问无法高效存储大量小文件不支持多用户写入及任意修改文件

8 3.3.1 块 HDFS 默认一个块 64MB, 一个文件被分成多个块, 以块作为存储单位块的大小远远大于普通文件系统, 可以最小化寻址开销 HDFS 采用抽象的块概念可以带来以下几个明显的好处 : 支持大规模文件存储 : 文件以块为单位进行存储, 一个大规模文件可以被分拆成若干个文件块, 不同的文件块可以被分发到不同的节点上, 因此, 一个文件的大小不会受到单个节点的存储容量的限制, 可以远远大于网络中任意节点的存储容量简化系统设计 : 首先, 大大简化了存储管理, 因为文件块大小是固定的, 这样就可以很容易计算出一个节点可以存储多少文件块 ; 其次, 方便了元数据的管理, 元数据不需要和文件块一起存储, 可以由其他系统负责管理元数据适合数据备份 : 每个文件块都可以冗余存储到多个节点上, 大大提高了系统的容错性和可用性

9 3.3.2 名称节点和数据节点大数据技术原理与应用 ( 第 2 版 ) 厦门大学计算机科学系林子雨 ziyulin@xmu.edu.cn

10 3.3.2 名称节点和数据节点名称节点的数据结构在 HDFS 中, 名称节点 (NameNode) 负责管理分布式文件系统的命名空间 (Namespace), 保存了两个核心的数据结构, 即 FsImage 和 EditLog FsImage 用于维护文件系统树以及文件树中所有的文件和文件夹的元数据操作日志文件 EditLog 中记录了所有针对文件的创建删除重命名等操作名称节点记录了每个文件中各个块所在的数据节点的位置信息根目录名称节点 (NameNode) FsImage EditLog 目录目录目录文件块块图 3-3 名称节点的数据结构记录了所有针对文件的创建删除重命名等操作

11 3.3.2 名称节点和数据节点 FsImage 文件 FsImage 文件包含文件系统中所有目录和文件 inode 的序列化形式每个 inode 是一个文件或目录的元数据的内部表示, 并包含此类信息 : 文件的复制等级修改和访问时间访问权限块大小以及组成文件的块对于目录, 则存储修改时间权限和配额元数据 FsImage 文件没有记录文件包含哪些块以及每个块存储在哪个数据节点而是由名称节点把这些映射信息保留在内存中, 当数据节点加入 HDFS 集群时, 数据节点会把自己所包含的块列表告知给名称节点, 此后会定期执行这种告知操作, 以确保名称节点的块映射是最新的

12 3.3.2 名称节点和数据节点名称节点的启动在名称节点启动的时候, 它会将 FsImage 文件中的内容加载到内存中, 之后再执行 EditLog 文件中的各项操作, 使得内存中的元数据和实际的同步, 存在内存中的元数据支持客户端的读操作一旦在内存中成功建立文件系统元数据的映射, 则创建一个新的 FsImage 文件和一个空的 EditLog 文件名称节点起来之后,HDFS 中的更新操作会重新写到 EditLog 文件中, 因为 FsImage 文件一般都很大 (GB 级别的很常见 ), 如果所有的更新操作都往 FsImage 文件中添加, 这样会导致系统运行的十分缓慢, 但是, 如果往 EditLog 文件里面写就不会这样, 因为 EditLog 要小很多每次执行写操作之后, 且在向客户端发送成功代码之前,edits 文件都需要同步更新

13 3.3.2 名称节点和数据节点名称节点运行期间 EditLog 不断变大的问题在名称节点运行期间,HDFS 的所有更新操作都是直接写到 EditLog 中, 久而久之, EditLog 文件将会变得很大虽然这对名称节点运行时候是没有什么明显影响的, 但是, 当名称节点重启的时候, 名称节点需要先将 FsImage 里面的所有内容映像到内存中, 然后再一条一条地执行 EditLog 中的记录, 当 EditLog 文件非常大的时候, 会导致名称节点启动操作非常慢, 而在这段时间内 HDFS 系统处于安全模式, 一直无法对外提供写操作, 影响了用户的使用如何解决? 答案是 :SecondaryNameNode 第二名称节点第二名称节点是 HDFS 架构中的一个组成部分, 它是用来保存名称节点中对 HDFS 元数据信息的备份, 并减少名称节点重启的时间 SecondaryNameNode 一般是单独运行在一台机器上

14 3.3.2 名称节点和数据节点 SecondaryNameNode 的工作情况 : (1)SecondaryNameNode 会定期和 NameNode 通信, 请求其停止使用 EditLog 文件, 暂时将新的写操作写到一个新的文件 edit.new 上来, 这个操作是瞬间完成, 上层写日志的函数完全感觉不到差别 ; (2)SecondaryNameNode 通过 HTTP GET 方式从 NameNode 上获取到 FsImage 和 EditLog 文件, 并下载到本地的相应目录下 ; (3)SecondaryNameNode 将下载下来的 FsImage 载入到内存, 然后一条一条地执行 EditLog 文件中的各项更新操作, 使得内存中的 FsImage 保持最新 ; 这个过程就是 EditLog 和 FsImage 文件合并 ; (4)SecondaryNameNode 执行完 (3 ) 操作之后, 会通过 post 方式将新的 FsImage 文件发送到 NameNode 节点上 (5)NameNode 将从 SecondaryNameNode 接收到的新的 FsImage 替换旧的 FsImage 文件, 同时将 edit.new 替换 EditLog 文件, 通过这个过程 EditLog 就变小了

15 3.3.2 名称节点和数据节点数据节点 (DataNode) 数据节点是分布式文件系统 HDFS 的工作节点, 负责数据的存储和读取, 会根据客户端或者是名称节点的调度来进行数据的存储和检索, 并且向名称节点定期发送自己所存储的块的列表每个数据节点中的数据会被保存在各自节点的本地 Linux 文件系统中

16 3.4 HDFS 体系结构 HDFS 体系结构概述 HDFS 命名空间管理通信协议客户端 HDFS 体系结构的局限性大数据技术原理与应用 ( 第 2 版 ) 厦门大学计算机科学系林子雨 ziyulin@xmu.edu.cn

17 3.4.1 HDFS 体系结构概述 HDFS 采用了主从 (Master/Slave) 结构模型, 一个 HDFS 集群包括一个名称节点 (NameNode) 和若干个数据节点 (DataNode)( 如图 3-4 所示 ) 名称节点作为中心服务器, 负责管理文件系统的命名空间及客户端对文件的访问集群中的数据节点一般是一个节点运行一个数据节点进程, 负责处理文件系统客户端的读 / 写请求, 在名称节点的统一调度下进行数据块的创建删除和复制等操作每个数据节点的数据实际上是保存在本地 Linux 文件系统中的客户端 (Client) 文件名或数据块号数据块号数据块位置名称节点 (NameNode) 写数据读数据数据节点 (DataNode) 数据节点 (DataNode) 数据节点 (DataNode) 数据节点 (DataNode) 本地 Linux 文件系统本地 Linux 文件系统备份本地 Linux 文件系统本地 Linux 文件系统机架 1 机架 n 图 3-4 HDFS 体系结构大数据技术原理与应用 ( 第 2 版 ) 厦门大学计算机科学系林子雨 ziyulin@xmu.edu.cn

18 3.4.2 HDFS 命名空间管理 HDFS 的命名空间包含目录文件和块在 HDFS1.0 体系结构中, 在整个 HDFS 集群中只有一个命名空间, 并且只有唯一一个名称节点, 该节点负责对这个命名空间进行管理 HDFS 使用的是传统的分级文件体系, 因此, 用户可以像使用普通文件系统一样, 创建删除目录和文件, 在目录间转移文件, 重命名文件等

19 3.4.3 通信协议 HDFS 是一个部署在集群上的分布式文件系统, 因此, 很多数据需要通过网络进行传输所有的 HDFS 通信协议都是构建在 TCP/IP 协议基础之上的客户端通过一个可配置的端口向名称节点主动发起 TCP 连接, 并使用客户端协议与名称节点进行交互名称节点和数据节点之间则使用数据节点协议进行交互客户端与数据节点的交互是通过 RPC(Remote Procedure Call) 来实现的在设计上, 名称节点不会主动发起 RPC, 而是响应来自客户端和数据节点的 RPC 请求

20 3.4.4 客户端客户端是用户操作 HDFS 最常用的方式,HDFS 在部署时都提供了客户端 HDFS 客户端是一个库, 暴露了 HDFS 文件系统接口, 这些接口隐藏了 HDFS 实现中的大部分复杂性严格来说, 客户端并不算是 HDFS 的一部分客户端可以支持打开读取写入等常见的操作, 并且提供了类似 Shell 的命令行方式来访问 HDFS 中的数据此外,HDFS 也提供了 Java API, 作为应用程序访问文件系统的客户端编程接口

21 3.4.5 HDFS 体系结构的局限性 HDFS 只设置唯一一个名称节点, 这样做虽然大大简化了系统设计, 但也带来了一些明显的局限性, 具体如下 : (1) 命名空间的限制 : 名称节点是保存在内存中的, 因此, 名称节点能够容纳的对象 ( 文件块 ) 的个数会受到内存空间大小的限制 (2) 性能的瓶颈 : 整个分布式文件系统的吞吐量, 受限于单个名称节点的吞吐量 (3) 隔离问题 : 由于集群中只有一个名称节点, 只有一个命名空间, 因此, 无法对不同应用程序进行隔离 (4) 集群的可用性 : 一旦这个唯一的名称节点发生故障, 会导致整个集群变得不可用

22 3.5 HDFS 存储原理冗余数据保存数据存取策略数据错误与恢复大数据技术原理与应用 ( 第 2 版 ) 厦门大学计算机科学系林子雨 ziyulin@xmu.edu.cn

23 3.5.1 冗余数据保存作为一个分布式文件系统, 为了保证系统的容错性和可用性,HDFS 采用了多副本方式对数据进行冗余存储, 通常一个数据块的多个副本会被分布到不同的数据节点上, 如图 3-5 所示, 数据块 1 被分别存放到数据节点 A 和 C 上, 数据块 2 被存放在数据节点 A 和 B 上这种多副本方式具有以下几个优点 : (1) 加快数据传输速度 (2) 容易检查数据错误名称节点 ( 只保存元数据 ) (3) 保证数据可靠性元数据 /usr/aaron/foo:1,2,4 /usr/arron/bar:3,5 数据节点 A ( 保存数据块 ) 数据节点 B ( 保存数据块 ) 数据节点 C ( 保存数据块 ) 图 3-5 HDFS 数据块多副本存储大数据技术原理与应用 ( 第 2 版 ) 厦门大学计算机科学系林子雨 ziyulin@xmu.edu.cn

24 3.5.2 数据存取策略 1. 数据存放第一个副本 : 放置在上传文件的数据节点 ; 如果是集群外提交, 则随机挑选一台磁盘不太满 CPU 不太忙的节点第二个副本 : 放置在与第一个副本不同的机架的节点上第三个副本 : 与第一个副本相同机架的其他节点上更多副本 : 随机节点 Block 的副本放置策略

25 3.5.2 数据存取策略 2. 数据读取 HDFS 提供了一个 API 可以确定一个数据节点所属的机架 ID, 客户端也可以调用 API 获取自己所属的机架 ID 当客户端读取数据时, 从名称节点获得数据块不同副本的存放位置列表, 列表中包含了副本所在的数据节点, 可以调用 API 来确定客户端和这些数据节点所属的机架 ID, 当发现某个数据块副本对应的机架 ID 和客户端对应的机架 ID 相同时, 就优先选择该副本读取数据, 如果没有发现, 就随机选择一个副本读取数据

26 3.5.3 数据错误与恢复 HDFS 具有较高的容错性, 可以兼容廉价的硬件, 它把硬件出错看作一种常态, 而不是异常, 并设计了相应的机制检测数据错误和进行自动恢复, 主要包括以下几种情形 : 名称节点出错数据节点出错和数据出错 1. 名称节点出错名称节点保存了所有的元数据信息, 其中, 最核心的两大数据结构是 FsImage 和 Editlog, 如果这两个文件发生损坏, 那么整个 HDFS 实例将失效因此,HDFS 设置了备份机制, 把这些核心文件同步复制到备份服务器 SecondaryNameNode 上当名称节点出错时, 就可以根据备份服务器 SecondaryNameNode 中的 FsImage 和 Editlog 数据进行恢复

27 3.5.3 数据错误与恢复 2. 数据节点出错每个数据节点会定期向名称节点发送心跳信息, 向名称节点报告自己的状态当数据节点发生故障, 或者网络发生断网时, 名称节点就无法收到来自一些数据节点的心跳信息, 这时, 这些数据节点就会被标记为宕机, 节点上面的所有数据都会被标记为不可读, 名称节点不会再给它们发送任何 I/O 请求这时, 有可能出现一种情形, 即由于一些数据节点的不可用, 会导致一些数据块的副本数量小于冗余因子名称节点会定期检查这种情况, 一旦发现某个数据块的副本数量小于冗余因子, 就会启动数据冗余复制, 为它生成新的副本 HDFS 和其它分布式文件系统的最大区别就是可以调整冗余数据的位置

28 3.5.3 数据错误与恢复 3. 数据出错网络传输和磁盘错误等因素, 都会造成数据错误客户端在读取到数据后, 会采用 md5 和 sha1 对数据块进行校验, 以确定读取到正确的数据在文件被创建时, 客户端就会对每一个文件块进行信息摘录, 并把这些信息写入到同一个路径的隐藏文件里面当客户端读取文件的时候, 会先读取该信息文件, 然后, 利用该信息文件对每个读取的数据块进行校验, 如果校验出错, 客户端就会请求到另外一个数据节点读取该文件块, 并且向名称节点报告这个文件块有错误, 名称节点会定期检查并且重新复制这个块

29 3.6 HDFS 数据读写过程读数据的过程写数据的过程大数据技术原理与应用 ( 第 2 版 ) 厦门大学计算机科学系林子雨 ziyulin@xmu.edu.cn

30 3.6 HDFS 数据读写过程读取文件 import java.io.bufferedreader; import java.io.inputstreamreader; import org.apache.hadoop.conf.configuration; import org.apache.hadoop.fs.filesystem; import org.apache.hadoop.fs.path; import org.apache.hadoop.fs.fsdatainputstream; public class Chapter3 { public static void main(string[] args) { try { Configuration conf = new Configuration(); conf.set("fs.defaultfs","hdfs://localhost:9000"); conf.set("fs.hdfs.impl","org.apache.hadoop.hdfs.distributedfilesystem"); FileSystem fs = FileSystem.get(conf); Path file = new Path("test"); FSDataInputStream getit = fs.open(file); BufferedReader d = new BufferedReader(new InputStreamReader(getIt)); String content = d.readline(); // 读取文件一行 System.out.println(content); d.close(); // 关闭文件 fs.close(); // 关闭 hdfs } catch (Exception e) { e.printstacktrace(); } } 大数据技术原理与应用 ( 第 2 版 ) 厦门大学计算机科学系林子雨 ziyulin@xmu.edu.cn

31 3.6 HDFS 数据读写过程写入文件 import org.apache.hadoop.conf.configuration; import org.apache.hadoop.fs.filesystem; import org.apache.hadoop.fs.fsdataoutputstream; import org.apache.hadoop.fs.path; public class Chapter3 { public static void main(string[] args) { try { Configuration conf = new Configuration(); conf.set("fs.defaultfs","hdfs://localhost:9000"); conf.set("fs.hdfs.impl","org.apache.hadoop.hdfs.distributedfilesystem"); FileSystem fs = FileSystem.get(conf); byte[] buff = "Hello world".getbytes(); // 要写入的内容 String filename = "test"; // 要写入的文件名 FSDataOutputStream os = fs.create(new Path(filename)); os.write(buff,0,buff.length); System.out.println("Create:"+ filename); os.close(); fs.close(); } catch (Exception e) { e.printstacktrace(); } } }

32 3.6 HDFS 数据读写过程 FileSystem 是一个通用文件系统的抽象基类, 可以被分布式文件系统继承, 所有可能使用 Hadoop 文件系统的代码, 都要使用这个类 Hadoop 为 FileSystem 这个抽象类提供了多种具体实现 DistributedFileSystem 就是 FileSystem 在 HDFS 文件系统中的具体实现 FileSystem 的 open() 方法返回的是一个输入流 FSDataInputStream 对象, 在 HDFS 文件系统中, 具体的输入流就是 DFSInputStream;FileSystem 中的 create() 方法返回的是一个输出流 FSDataOutputStream 对象, 在 HDFS 文件系统中, 具体的输出流就是 DFSOutputStream Configuration conf = new Configuration(); conf.set("fs.defaultfs","hdfs://localhost:9000"); conf.set("fs.hdfs.impl","org.apache.hadoop.hdfs.distributedfilesystem"); FileSystem fs = FileSystem.get(conf); FSDataInputStream in = fs.open(new Path(uri)); FSDataOutputStream out = fs.create(new Path(uri));

33 客户端 JVM 读数据的过程 import org.apache.hadoop.fs.filesystem Configuration conf = new Configuration(); FileSystem fs = FileSystem.get(conf); FSDataInputStream in = fs.open(new Path(uri)); HDFS 客户端客户端节点 1: 打开文件 3: 读取请求 7: 关闭文件客户端获得输入流 FSDataInputStream 以后调用 read() 函数开始读取数据输入流根据前面的排序结果选择距离客户端最近的数据节点建立连接并读取数据 Distributed FileSystem FSDataInput Stream 2: 获取数据块信息 5: 获取数据块信息 ( 可能发生 ) 4: 读取数据 6: 读取数据通过 ClientProtocal.getBlockLocations() 远程调用名称节点, 获得文件开始部分数据块的位置对于该数据块, 名称节点返回保存该数据块的所有数据节点的地址并根据距离客户端远近进行排序名称节点通过 ClientProtocal.getBlockLocations() 查找下一个数据块 FSDataInputStream 封装了 DFSInputStream 数据节点数据节点数据节点数据从数据节点读到客户端, 当该数据块读取完毕时 FSDataInputStream 关闭和该数据节点的连接大数据技术原理与应用 ( 第 2 版 ) 厦门大学计算机科学系林子雨 ziyulin@xmu.edu.cn

34 3.6.2 写数据的过程 HDFS 客户端客户端 JVM 客户端节点 1: 创建文件请求 3: 写入数据 6: 关闭文件 4: 写入数据包数据被分成一个个分包分包被放入 DFSOutputStream 对象的内部队列 DFSOutputStream 向名称节点申请保存数据块的若干数据节点 import org.apache.hadoop.fs.filesystem Configuration conf = new Configuration(); FileSystem fs = FileSystem.get(conf); FSDataOutputStream out = fs.create(new Path(uri)); Distributed FileSystem FSData OutputStream 5: 接收确认包 4 4 名称节点数据节点数据节点数据节点大数据技术原理与应用 ( 第 2 版 ) 厦门大学计算机科学系林子雨 ziyulin@xmu.edu.cn 5 RPC 远程调用名称节点在文件系统的命名空间中新建一个文件名称节点会执行一些检查 ( 文件是否存在, 客户端权限 ) 2: 创建文件元数据 7: 写操作完成 DFSOutputStream 调用 ClientProtocal.complete() 方法通知名称节点关闭文件 FSDataOutputStream 封装了 DFSOutputStream 这些数据节点形成一个数据流管道队列中的分包最后被打包成数据包发往数据流管道中的第一个数据节点第一个数据节点将数据包发送到第二个节点依此类推, 形成流水线复制为了保证节点数据准确, 接收到数据的数据节点要向发送者发送确认包确认包沿着数据流管道逆流而上, 经过各个节点最终到达客户端客户端收到应答时, 它将对应的分包从内部队列移除 5

35 3.7 HDFS 编程实践学习 HDFS 编程实践, 具体请参见厦门大学数据实验室建设的中国高校大数据课程公共服务平台上的技术文章 : 大数据技术原理与应用第三章 Hadoop 分布式文件系统学习指南访问地址 :

36 3.7 HDFS 编程实践 Hadoop 提供了关于 HDFS 在 Linux 操作系统上进行文件操作的常用 Shell 命令以及 Java API 同时还可以利用 Web 界面查看和管理 Hadoop 文件系统备注 :Hadoop 安装成功后, 已经包含 HDFS 和 MapReduce, 不需要额外安装而 HBase 等其他组件, 则需要另外下载安装在学习 HDFS 编程实践前, 我们需要启动 Hadoop 执行如下命令 :

37 3.7.1 HDFS 常用命令 HDFS 有很多 shell 命令, 其中,fs 命令可以说是 HDFS 最常用的命令利用该命令可以查看 HDFS 文件系统的目录结构上传和下载数据创建文件等该命令的用法为 : hadoop fs [genericoptions] [commandoptions] 备注 :Hadoop 中有三种 Shell 命令方式 : hadoop fs 适用于任何不同的文件系统, 比如本地文件系统和 HDFS 文件系统 hadoop dfs 只能适用于 HDFS 文件系统 hdfs dfs 跟 hadoop dfs 的命令作用一样, 也只能适用于 HDFS 文件系统

38 3.7.1 HDFS 常用命令实例 : hadoop fs -ls <path>: 显示 <path> 指定的文件的详细信息 hadoop fs -mkdir <path>: 创建 <path> 指定的文件夹大数据技术原理与应用 ( 第 2 版 ) 厦门大学计算机科学系林子雨 ziyulin@xmu.edu.cn

39 3.7.1 HDFS 常用命令实例 : hadoop fs -cat <path>: 将 <path> 指定的文件的内容输出到标准输出 (stdout) hadoop fs -copyfromlocal <localsrc> <dst>: 将本地源文件 <localsrc> 复制到路径 <dst> 指定的文件或文件夹中

40 3.7.2 HDFS 的 Web 界面在配置好 Hadoop 集群之后, 可以通过浏览器登录访问 HDFS 文件系统通过 Web 界面的 Browse the filesystem 查看文件 hdfs://localhost/home/administrator/tempfile/file1.txt

41 3.7.3 HDFS 常用 Java API 及应用实例利用 Java API 与 HDFS 进行交互实例 : 利用 hadoop 的 java api 检测伪分布式文件系统 HDFS 上是否存在某个文件? 准备工作 : 在 Ubuntu 系统中安装和配置 Eclipse 第一步 : 放置配置文件到当前工程下面 ( eclipse 工作目录的 bin 文件夹下面 ) 第二步 : 编写实现代码具体请参见 : 大数据技术原理与应用第三章 Hadoop 分布式文件系统学习指南访问地址 :

42 3.7.3 HDFS 常用 Java API 及应用实例利用 Java API 进行交互, 可以使用软件 Eclipse 编写 Java 程序 (1) 在 Ubuntu 中安装 Eclipse 利用 Ubuntu 左侧边栏自带的软件中心安装软件, 在 Ubuntu 左侧边栏打开软件中心

43 3.7.3 HDFS 常用 Java API 及应用实例打开软件中心后, 呈现如下界面

44 3.7.3 HDFS 常用 Java API 及应用实例在软件中心搜索栏输入 ec, 软件中心会自动搜索相关的软件

45 3.7.3 HDFS 常用 Java API 及应用实例点击如下图中 Eclipse, 进行安装

46 3.7.3 HDFS 常用 Java API 及应用实例安装需要管理员权限,Ubuntu 系统需要用户认证, 弹出认证窗口, 请输入当前用户的登录密码

47 3.7.3 HDFS 常用 Java API 及应用实例 ubuntu 便会进入如下图的安装过程中, 安装结束后安装进度条便会消失

48 3.7.3 HDFS 常用 Java API 及应用实例点击 Ubuntu 左侧边栏的搜索工具, 输入 ec, 自动搜索已经安装好的相关软件, 打开 Eclipse

49 3.7.3 HDFS 常用 Java API 及应用实例 (2) 在 Eclipse 创建项目第一次打开 Eclipse, 需要填写 workspace( 工作空间 ), 用来保存程序所在的位置, 这里按照默认, 不需要改动, 如下图

50 3.7.3 HDFS 常用 Java API 及应用实例点击 OK 按钮, 进入 Eclipse 软件开始创建项目, 选择顶部菜单 File >New >Java Project, 如下图

51 3.7.3 HDFS 常用 Java API 及应用实例输入项目名称, 本教程输入的项目名称是 Dblab, 其他不用改动, 点击 Finish 按钮即可

52 3.7.3 HDFS 常用 Java API 及应用实例为项目加载所需要用到的 jar 包如何获取 jar 包 Java API 所在的 jar 包都在已经安装好的 hadoop 文件夹里, 路径 : /usr/local/hadoop/share/hadoop( 如果读者安装的 hadoop 不在此目录, 请找到 jar 包所在的文件夹 )

53 3.7.3 HDFS 常用 Java API 及应用实例在所在项目中加载 jar 包, 具体操作如下 : 在所选的 Eclipse 项目 (Dblab) 上右键点击 > 弹出菜单中选择 >Properties >Java Build Path >Libraries >Add External JARS

54 3.7.3 HDFS 常用 Java API 及应用实例大数据技术原理与应用 ( 第 2 版 ) 厦门大学计算机科学系林子雨 ziyulin@xmu.edu.cn

55 3.7.3 HDFS 常用 Java API 及应用实例编程实例利用 Hadoop 的 Java API 检测伪分布式文件系统 HDFS 上是否存在某个文件? 下面编写一个简单的程序来测试伪分布式文件系统 HDFS 上是否存在 input.txt 文件? 第一步 : 放置配置文件到当前工程下面需要把集群上的 core-site.xml 和 hdfs-site.xml( 这两文件存在 /hadoop/etc/hadoop 目录下 ) 放到当前工程项目下, 即 eclipse 工作目录的 bin 文件夹下面

56 3.7.3 HDFS 常用 Java API 及应用实例第二步 : 编写实现代码 import org.apache.hadoop.conf.configuration; import org.apache.hadoop.fs.filesystem; import org.apache.hadoop.fs.path; public class Chapter3 { public static void main(string[] args) { try { String filename = "hdfs://localhost:9000/user/hadoop/test.txt"; Configuration conf = new Configuration(); } } FileSystem fs = FileSystem.get(conf); if(fs.exists(new Path(filename))){ System.out.println(" 文件存在 "); }else{ System.out.println(" 文件不存在 "); } } catch (Exception e) { e.printstacktrace(); }

57 本章小结分布式文件系统是大数据时代解决大规模数据存储问题的有效解决方案, HDFS 开源实现了 GFS, 可以利用由廉价硬件构成的计算机集群实现海量数据的分布式存储 HDFS 具有兼容廉价的硬件设备流数据读写大数据集简单的文件模型强大的跨平台兼容性等特点但是, 也要注意到,HDFS 也有自身的局限性, 比如不适合低延迟数据访问无法高效存储大量小文件和不支持多用户写入及任意修改文件等块是 HDFS 核心的概念, 一个大的文件会被拆分成很多个块 HDFS 采用抽象的块概念, 具有支持大规模文件存储简化系统设计适合数据备份等优点 HDFS 采用了主从 (Master/Slave) 结构模型, 一个 HDFS 集群包括一个名称节点和若干个数据节点名称节点负责管理分布式文件系统的命名空间 ; 数据节点是分布式文件系统 HDFS 的工作节点, 负责数据的存储和读取 HDFS 采用了冗余数据存储, 增强了数据可靠性, 加快了数据传输速度 HDFS 还采用了相应的数据存放数据读取和数据复制策略, 来提升系统整体读写响应性能 HDFS 把硬件出错看作一种常态, 设计了错误恢复机制本章最后介绍了 HDFS 的数据读写过程以及 HDFS 编程实践方面的相关知识

附录 : 主讲教师林子雨简介主讲教师 : 林子雨单位 : 厦门大学计算机科学系 E-mail: ziyulin@xmu.edu.

cn/linziyu 数据库实验室网站 :http://dblab.xmu.edu.

58 附录 : 主讲教师林子雨简介主讲教师 : 林子雨单位 : 厦门大学计算机科学系 ziyulin@xmu.edu.cn 个人网页 : 数据库实验室网站 : 扫一扫访问个人主页林子雨, 男,1978 年出生, 博士 ( 毕业于北京大学 ), 现为厦门大学计算机科学系助理教授 ( 讲师 ), 曾任厦门大学信息科学与技术学院院长助理晋江市发展和改革局副局长中国计算机学会数据库专业委员会委员, 中国计算机学会信息系统专业委员会委员, 荣获 2016 中国大数据创新百人称号中国高校首个数字教师提出者和建设者, 厦门大学数据库实验室负责人, 厦门大学云计算与大数据研究中心主要建设者和骨干成员,2013 年度厦门大学奖教金获得者主要研究方向为数据库数据仓库数据挖掘大数据云计算和物联网, 并以第一作者身份在软件学报计算机学报和计算机研究与发展等国家重点期刊以及国际学术会议上发表多篇学术论文作为项目负责人主持的科研项目包括 1 项国家自然科学青年基金项目 (No ) 1 项福建省自然科学青年基金项目 (No.2013J05099) 和 1 项中央高校基本科研业务费项目 (No ), 同时, 作为课题负责人完成了国家发改委城市信息化重大课题国家物联网重大应用示范工程区域试点泉州市工作方案 2015 泉州市互联网经济调研等课题中国高校首个数字教师提出者和建设者,2009 年至今, 数字教师大平台累计向网络免费发布超过 100 万字高价值的研究和教学资料, 累计网络访问量超过 100 万次打造了中国高校大数据教学知名品牌, 编著出版了中国高校第一本系统介绍大数据知识的专业教材大数据技术原理与应用, 并成为京东当当网等网店畅销书籍 ; 建设了国内高校首个大数据课程公共服务平台, 为教师教学和学生学习大数据课程提供全方位一站式服务, 年访问量超过 50 万次具有丰富的政府和企业信息化培训经验, 厦门大学管理学院 EDP 中心浙江大学管理学院 EDP 中心厦门大学继续教育学院泉州市科技培训中心特邀培训讲师, 曾给中国移动通信集团公司福州马尾区政府福建龙岩卷烟厂福建省物联网科学研究院石狮市物流协会厦门市物流协会浙江省中小企业家四川泸州企业家江苏沛县企业家等开展信息化培训, 累计培训人数达 3000 人以上

附录 : 大数据技术原理与应用教材大数据技术原理与应用概念存储处理分析与应用 ( 第 2 版 ), 由厦门大学计算机科学系林子雨博士编著,

分布式文件系统 HDFS 分布式数据库 HBase NoSQL 数据库云数据库分布式并行编程模型 MapReduce Spark 流计算图计算

安排了入门级的实践操作, 让读者更好地学习和掌握大数据关键技术本书可以作为高等院校计算机专业信息管理等相关专业的大数据课程教材,

59 附录 : 大数据技术原理与应用教材大数据技术原理与应用概念存储处理分析与应用 ( 第 2 版 ), 由厦门大学计算机科学系林子雨博士编著, 是中国高校第一本系统介绍大数据知识的专业教材扫一扫访问教材官网全书共有 15 章, 系统地论述了大数据的基本概念大数据处理架构 Hadoop 分布式文件系统 HDFS 分布式数据库 HBase NoSQL 数据库云数据库分布式并行编程模型 MapReduce Spark 流计算图计算数据可视化以及大数据在互联网生物医学和物流等各个领域的应用在 Hadoop HDFS HBase 和 MapReduce 等重要章节, 安排了入门级的实践操作, 让读者更好地学习和掌握大数据关键技术本书可以作为高等院校计算机专业信息管理等相关专业的大数据课程教材, 也可供相关技术人员参考学习培训之用欢迎访问大数据技术原理与应用概念存储处理分析与应用教材官方网站 :

60 附录 : 中国高校大数据课程公共服务平台扫一扫访问平台主页扫一扫观看 3 分钟 FLASH 动画宣传片

61 Department of Computer Science, Xiamen University, 2017 大数据技术原理与应用 ( 第 2 版 ) 厦门大学计算机科学系林子雨 ziyulin@xmu.edu.cn

大数据技术原理与应用

大数据技术原理与应用厦门大学计算机科学系 ( 第 2 版 ) 厦门大学计算机科学系林子雨 2017 年 2 月版本 ziyulin@xmu.edu.cn 大数据技术原理与应用 ( 第 2 版 ) http://dblab.xmu.edu.cn/post/bigdata 温馨提示 : 编辑幻灯片母版, 可以修改每页 PPT 的厦大校徽和底部文字课程介绍 (PPT 版本号 :2017 年 2 月版本