Hadoop HDFS编程 API入门系列之合并小文件到HDFS（三）
1 package com.dajiangtai.Hadoop.HDFS;2
3 import java.io.IOException;
4 import java.net.URI;
5 import java.net.URISyntaxException;
6 import org.apache.hadoop.conf.Configuration;
7 import org.apache.hadoop.fs.FSDataInputStream;
8 import org.apache.hadoop.fs.FSDataOutputStream;
9 import org.apache.hadoop.fs.FileStatus;
10 import org.apache.hadoop.fs.FileSystem;
11 import org.apache.hadoop.fs.FileUtil;
12 import org.apache.hadoop.fs.Path;
13 import org.apache.hadoop.fs.PathFilter;
14 import org.apache.hadoop.hdfs.DistributedFileSystem;
15 import org.apache.hadoop.io.IOUtils;
16 /**
17* function 合并小文件至 HDFS ，文件与块大小（比如128M）来比，小的话，称为小文件。是一个相对概念！相对于数据块而言的！
18* @author 小讲
19*我们利用通配符和PathFilter 对象，将本地多种格式的文件上传至 HDFS文件系统，并过滤掉 txt文本格式以外的文件。
20*/
21 public>
22 private static FileSystem fs = null;
23 private static FileSystem local = null;
24 /**
25 * @function main
26 * @param args
27 * @throws IOException
28 * @throws URISyntaxException
29 */
30 public static void main(String[] args) throws IOException,
31 URISyntaxException {
32 list();
33 }
34
35 /**
36 *
37 * @throws IOException
38 * @throws URISyntaxException
39 */
40 public static void list() throws IOException, URISyntaxException {
41 // 读取hadoop文件系统的配置
42 Configuration conf = new Configuration();
43 // conf=Configuration
44 // conf是Configuration: core-default.xml, core-site.xml, mapred-default.xml, mapred-site.xml, yarn-default.xml, yarn-site.xml, hdfs-default.xml, hdfs-site.xml
45
46 //文件系统访问接口
47 URI uri = new URI("hdfs://djt002:9000");
48 // uri=URI
49 // uri是hdfs://djt002:9000
50
51 // URL、URI与Path三者的区别
52 // Hadoop文件系统中通过Hadoop Path对象来代表一个文件
53 // URL（相当于绝对路径） -> （文件） -> URI（相当于相对路径，即代表URL前面的那一部分）
54 // URI：如hdfs://dajiangtai:9000
55 // 如，URL.openStream
56
57
58
59 //获得FileSystem实例，即HDFS
60 fs = FileSystem.get(uri, conf);
61 // fs=DistributedFileSystem
62 // fs是DFS]
63
64 //获得FileSystem实例，即Local
65 local = FileSystem.getLocal(conf);
66 // local=LocalFileSystem
67 // local是org.apache.hadoop.fs.LocalFileSystem@3ce1b8c5
68 // 为什么要获取到Local呢，因为，我们要把本地D盘下data/73目录下的文件要合并后，上传到HDFS里，所以，我们需先获取到Local，再来做合并工作啦！
69
70
71 // 18、列出文件或目录内容(主要是存放文件或目录的元数据，即大小，权限，副本，，，)
72 // public FileStatus[] listStatus(Path f) throws IOException
73 // public FileStatus[] listStatus(Path f,PathFilter filter) throws IOException
74 // PathFilter是路径过滤器
75 // public FileStatus[] listStatus(Path[] files) throws IOException
76 // public FileStatus[] listStatus(Path[] files,PathFilter filter)
77 // 传送Path数组和路径过滤器
78 //
79 //
80 // 19、FileUtil中的stat2Paths()，将一个FileStatus元数据对象数组转换为一个Path对象数组
81 //
82 // 20、(1)使用通配符来匹配多个目录下的多个文件，也是列出文件或目录内容(主要是存放文件或目录的元数据，即大小，权限，副本，，，)
83 // public FileStatus[] globStatus(Path pathPattern) throws IOException
84 // public FileStatus[] globStatus(Path pathPattern,PathFilter filter) throws IOException
85 //
86 // (2)PathFilter对象
87 // public interface PathFilter{
88 // boolean accpet(Path path);
89 // }
90
91
92
93 //过滤目录下的 svn 文件，globStatus从第一个参数通配符合到文件，剔除满足第二个参数到结果，因为PathFilter中accept是return!
94 FileStatus[] dirstatus = local.globStatus(new Path("D://data/73/*"),new RegexExcludePathFilter("^.*svn$"));//一般这是隐藏文件，所以得排除
95 //dirstatus=FileStatus
96 // dirstatus是[DeprecatedRawLocalFileStatus{path=file:/D:/data/73/2012-09-17; isDirectory=true; modification_time=1427791478002; access_time=0; owner=; group=; permission=rwxrwxrwx; isSymlink=false}
97 // , DeprecatedRawLocalFileStatus{path=file:/D:/data/73/2012-09-18; isDirectory=true; modification_time=1427791505373; access_time=0; owner=; group=; permission=rwxrwxrwx; isSymlink=false}
98 // , DeprecatedRawLocalFileStatus{path=file:/D:/data/73/2012-09-19; isDirectory=true; modification_time=1427791532277; access_time=0; owner=; group=; permission=rwxrwxrwx; isSymlink=false}
99 // , DeprecatedRawLocalFileStatus{path=file:/D:/data/73/2012-09-20; isDirectory=true; modification_time=1427791553035; access_time=0; owner=; group=; permission=rwxrwxrwx; isSymlink=false}
100 // , DeprecatedRawLocalFileStatus{path=file:/D:/data/73/2012-09-21; isDirectory=true; modification_time=1427791577709; access_time=0; owner=; group=; permission=rwxrwxrwx; isSymlink=false}
101 // , DeprecatedRawLocalFileStatus{path=file:/D:/data/73/2012-09-22; isDirectory=true; modification_time=1427791602770; access_time=0; owner=; group=; permission=rwxrwxrwx; isSymlink=false}
102 // , DeprecatedRawLocalFileStatus{path=file:/D:/data/73/2012-09-23; isDirectory=true; modification_time=1427791647177; access_time=0; owner=; group=; permission=rwxrwxrwx; isSymlink=false}]
103
104
105 // ^表示匹配我们字符串开始的位置 *代表0到多个字符 $代表字符串结束的位置
106 // RegexExcludePathFilter来只排除我们不需要的，即svn格式
107 // RegexExcludePathFilter这个方法我们自己写
108
109 // 但是我们，最终是要处理文件里的东西，最终是要转成Path类型，因为Path对象f,它对应着一个文件。
110
111 //获取73目录下的所有文件路径，注意FIleUtil中stat2Paths()的使用，它将一个FileStatus对象数组转换为Path对象数组。
112 Path[] dirs = FileUtil.stat2Paths(dirstatus);//dirstatus是FileStatus数组类型
113 // dirs=Path
114 // dirs是 [file:/D:/data/73/2012-09-17
115 // , file:/D:/data/73/2012-09-18
116 // , file:/D:/data/73/2012-09-19
117 // , file:/D:/data/73/2012-09-20
118 // , file:/D:/data/73/2012-09-21
119 // , file:/D:/data/73/2012-09-22
120 // , file:/D:/data/73/2012-09-23]
121
122
123 FSDataOutputStream out = null;//输出流
124 // out=HdfsDaDataOutputStream
125 // out是org.apache.hadoop.hdfs.client.HdfsDataOutputStream@2b11624e
126
127 FSDataInputStream in = null;//输入流
128 // in=ChecksumFileSystem&FSDataBoundedInputStream
129 // in是org.apache.hadoop.fs.ChecksumFileSystem$FSDataBoundedInputStream@526d542f
130
131 // 很多人搞不清输入流和输出流，！！！！
132 // 其实啊，输入流、输出流都是针对内存的
133 // 往内存里写，是输入流。
134 // 内存往文件里写，是输出Luis。
135 //
136 // 比如一个文件A复制到另一文件B，那么，先写到内存里，再写到文件B。
137 // => 则文件A写到内存里，叫输入流。
138 // => 则内存里写到文件B，叫输出流
139
140
141 for (Path dir : dirs) {//for星型循环，即将dirs是Path对象数组，一一传给Path dir
142 // dirs=Path
143 // dirs是[file:/D:/data/73/2012-09-17
144 // , file:/D:/data/73/2012-09-18
145 // , file:/D:/data/73/2012-09-19
146 // , file:/D:/data/73/2012-09-20
147 // , file:/D:/data/73/2012-09-21
148 // , file:/D:/data/73/2012-09-22
149 // , file:/D:/data/73/2012-09-23]
150
151 // dir= Path
152 // 先传，dir是file:/D:/data/73/2012-09-17
153 // 再传，file:/D:/data/73/2012-09-18
154 // 再传，file:/D:/data/73/2012-09-19
155 // 再传，file:/D:/data/73/2012-09-20
156 // 再传，file:/D:/data/73/2012-09-21
157 // 再传，file:/D:/data/73/2012-09-22
158 // 再传，file:/D:/data/73/2012-09-23
159
160 String fileName = dir.getName().replace("-", "");//文件名称
161 // 先获取到如2012-09-17，然后经过replace("-", "")，得到20120917
162 // 再获取，20120918
163 // 再获取，20120919
164 // 再获取，20120920
165 // 再获取，20120921
166 // 再获取，20120922
167 // 再获取，20120923
168
169 //只接受日期目录下的.txt文件，^匹配输入字符串的开始位置,$匹配输入字符串的结束位置,*匹配0个或多个字符。
170 FileStatus[] localStatus = local.globStatus(new Path(dir+"/*"),new RegexAcceptPathFilter("^.*txt$"));
171 // 先获取到，localStatus=FileStatus
172 // localStatus是
173 // 再获取到，localStatus=FileStatus
174 // localStatus是
175 // 再获取到,,,,不多赘述。
176
177
178 // FileStatus[] localStatus = local.listStatus(new Path(dir+"/*"),new RegexAcceptPathFilter("^.*txt$"));//试试，看有什么区别？
179
180 // 如果不设置过滤器，FileInputFormat 会使用一个默认的过滤器来排除隐藏文件。
181 // 如果通过调用 setInputPathFilter()设置了过滤器，它会在默认过滤器的基础上进行过滤。换句话说，自定义的过滤器只能看到非隐藏文件。
182
183
184 //RegexAcceptPathFilter这个方法，我们自己写
185 // RegexAcceptPathFilter来只接收我们需要，即txt格式
186 // 这里，我们还可以只接收别的格式，自己去改，一定要锻炼学会改别人的代码
187
188
189 // 获得如2012-09-17日期目录下的所有文件
190 Path[] listedPaths = FileUtil.stat2Paths(localStatus);
191 // 同样，但是我们，最终是要处理文件里的东西，最终是要转成Path类型，因为Path对象f,它对应着一个文件。
192
193 // 先获取，listedPaths=Path
194 // 先获取2012-09-17下的所有，这个不多赘述啦！
195
196 // 再获取，listedPaths=Path
197 // listedPaths是[file:/D:/data/73/2012-09-18/ars10767@20120918131500.txt
198 // , file:/D:/data/73/2012-09-18/ars10767@20120918133000.txt
199 // , file:/D:/data/73/2012-09-18/ars10767@20120918134500.txt
200 // , file:/D:/data/73/2012-09-18/ars10767@20120918140000.txt
201 // , file:/D:/data/73/2012-09-18/ars10767@20120918141500.txt
202 // , file:/D:/data/73/2012-09-18/ars10767@20120918143000.txt
203 // , file:/D:/data/73/2012-09-18/ars10767@20120918144500.txt
204 // , file:/D:/data/73/2012-09-18/ars10767@20120918150000.txt
205 // , file:/D:/data/73/2012-09-18/ars10767@20120918151500.txt
206 // , file:/D:/data/73/2012-09-18/ars10767@20120918153000.txt
207 // , file:/D:/data/73/2012-09-18/ars10767@20120918154500.txt
208 // , file:/D:/data/73/2012-09-18/ars10767@20120918160000.txt
209 // , file:/D:/data/73/2012-09-18/ars10767@20120918161500.txt
210 // , file:/D:/data/73/2012-09-18/ars10767@20120918163000.txt
211 // , file:/D:/data/73/2012-09-18/ars10767@20120918164500.txt
212 // , file:/D:/data/73/2012-09-18/ars10767@20120918170000.txt
213 // , file:/D:/data/73/2012-09-18/ars10767@20120918171500.txt
214 // , file:/D:/data/73/2012-09-18/ars10767@20120918173000.txt
215 // , file:/D:/data/73/2012-09-18/ars10767@20120918174500.txt
216 // , file:/D:/data/73/2012-09-18/ars10767@20120918180000.txt
217 // , file:/D:/data/73/2012-09-18/ars10767@20120918181500.txt
218 // , file:/D:/data/73/2012-09-18/ars10767@20120918183000.txt
219 // , file:/D:/data/73/2012-09-18/ars10767@20120918184500.txt]
220
221 //输出路径
222 Path block = new Path("hdfs://djt002:9000/outData/MergeSmallFilesToHDFS/"+ fileName + ".txt");
223 //fileName是"fileName"
224 // block=Path
225 // block是hdfs://djt002:9000/outData/MergeSmallFilesToHDFS/20120918.txt
226
227 // 打开输出流
228 out = fs.create(block);//因为，合并小文件之后，比如这是，合并2012-09-17日期目录下的所有小文件，之后，要上传到HDFS里。
229 // 类似于，文件A写到内存里，再内存里写到文件B。而这行代码out = fs.create(block);是相当于是，内存里写到文件B。所以是输出流，即是从内存里输出的，所以叫输出流。
230 // 这里，文件A是Local 文件B是HDFS
231
232 // 文件与块大小（比如128M）来比，小的话，称为小文件。是一个相对概念！相对于数据块而言的！
233
234 // 很多人搞不清输入流和输出流，！！！！
235 // 其实啊，输入流、输出流都是针对内存的
236 // 往内存里写，是输入流。
237 // 内存往文件里写，是输出Luis。
238 //
239 // 比如一个文件A复制到另一文件B，那么，先写到内存里，再写到文件B。
240 // => 则文件A写到内存里，叫输入流。
241 // => 则内存里写到文件B，叫输出流
242
243
244 for (Path p : listedPaths) {//for星型循环，即将listedPaths的值一一传给Path p
245 //先获取2012-09-17下的所有，这个不多赘述啦！
246 //现在，获取到2012-09-18下了
247 // p=Path
248 // p是file:/D:/data/73/2012-09-18/ars10767@20120918134500.txt
249 // 得一个一个来，这才叫做一一传给Path p
250
251 in = local.open(p);// 打开输入流in
252 // 类似于，文件A写到内存里，再内存里写到文件B。而这行代码in = local.open(p);是相当于是，文件A写到内存里。所以是输如流，即是写到内存里的，所以叫输入流。
253 // 这里，文件A是Local 文件B是HDFS
254
255 IOUtils.copyBytes(in, out, 4096, false); // 复制数据，IOUtils.copyBytes可以方便地将数据写入到文件，不需要自己去控制缓冲区，也不用自己去循环读取输入源。false表示不自动关闭数据流，那么就手动关闭。
256 // IOUtils.copyBytes这个方法很重要
257 //是否自动关闭输入流和输出流，若是false，就要单独去关闭。则不在这个方法体里关闭输入和输出流了。
258 // 若是true，则在这个方法里关闭输入和输出流。不需单独去关闭了
259
260
261 // 明白，IOUtils类的copyBytes将hdfs数据流拷贝到标准输出流System.out中，
262 // copyBytes前两个参数好理解，一个输入，一个输出，第三个是缓存大小，第四个指定拷贝完毕后是否关闭流。
263 // 要设置为false，标准输出流不关闭，我们要手动关闭输入流。即，设置为false表示关闭输入流
264
265 // 主要是把最后的这个参数定义好， 就可以了。 定义为true还是false，则决定着是否在这个方法体里关闭
266 // 若定义为true,则在这个方法体里直接关闭输入流、输出流。不需单独去关闭了
267 // 若定义为false,则不在这个方法体里直接关闭输入流、输出流。需单独去关闭了
268
269
270 // 关闭输入流
271 in.close();//若定义为false,则不在这个方法体里直接关闭输入流、输出流。需单独去关闭了。这就是单独在关闭输入流！！！懂了吗
272 }
273 if (out != null) {//这里为什么不为空，空指针，则说明里面还有资源。
274 // 关闭输出流
275 out.close();//若定义为false,则不在这个方法体里直接关闭输入流、输出流。需单独去关闭了。这就是单独在关闭输出流！！！懂了吗
276 }
277 }
278
279 }
280
281 /**
282 *
283 * @function 过滤 regex 格式的文件
284 *
285 */
286 public static>
287 private final String regex;//变量
288
289 public RegexExcludePathFilter(String regex) {//这个是上面的那个，正在表达式
290 this.regex = regex;//将String regex的值，赋给RegexExcludePathFilter类里的private final String regex的值
291 }
292
293 public boolean accept(Path path) {//主要是实现accept方法
294 // TODO Auto-generated method stub
295 boolean flag = path.toString().matches(regex);//匹配正则表达式，这里是^.*svn$
296 return !flag;
297 }
298
299 }
300
301 /**
302 *
303 * @function 接受 regex 格式的文件
304 *
305 */
306 public static>
307 private final String regex;//变量
308
309 public RegexAcceptPathFilter(String regex) {//这个是上面的那个，正在表达式
310 this.regex = regex;//将String regex的值，赋给RegexAcceptPathFilter类里的private final String regex的值
311 }
312
313 public boolean accept(Path path) {//主要是实现accept方法
314 // TODO Auto-generated method stub
315 boolean flag = path.toString().matches(regex);//匹配正则表达式,这里是^.*txt$
316 return flag;
317 }
318
319 }
320 }
页:
[1]