java 从 HDFS 读取数据到本地文件

场景描述

算法模型是 java 代码使用 spark-submit yarn cluster 运行的，输出结果存储在了 HDFS 上，可能因为数据结构比较复杂吧，所以没有选择将结果存储在 hive 表中。这样的话，当后期在从 HDFS 读取结果时就会遇到数据合并的问题。

比如：模型输出就是三行 json 数据。如下：

{
 "description":"desc-1","id":"1","name":"name-1"}
{
 "description":"desc-2","id":"2","name":"name-2"}
{
 "description":"desc-3","id":"3","name":"name-3"}

同时在代码中设定存储文件为 /user/deployer/people-result ，但实际存储在 HDFS 上时的目录结构是这样的：

(base) [deployer@sh01 ~]$ hadoop fs -ls /user/deployer/people-result
Found 3 items
-rw-r--r--   3 deployer supergroup          0 2022-07-05 18:44 /user/deployer/people-result/_SUCCESS
-rw-r--r--   3 deployer supergroup         50 2022-07-05 18:44 /user/deployer/people-result/part-00000-3d314ceb-5fd4-4a13-9d16-da3c838aa13f-c000.json
-rw-r--r--   3 deployer supergroup        100 2022-07-05 18:44 /user/deployer/people-result/part-00001-3d314ceb-5fd4-4a13-9d16-da3c838aa13f-c000.json

给定的存储文件会被创建成目录，数据被分散存储在该目录下的若干个 .json 文件中。

后期读取肯定需要合并数据。若手写代码合并不仅工作量大，而且也容易出错。

解决办法

java 已经提供了读取且合并的 API: FileUtil.copyMerge 。先上代码：

import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.FileUtil;
import org.apache.hadoop.fs.Path;
import org.junit.jupiter.api.Test;
import org.springframework.boot.test.context.SpringBootTest;

@SpringBootTest()
public class DownloadFileFromHdfs {
 

  @Test
  public void test_download_and_merge() throws IOException {
 
    String src = "/user/deployer/people-result";
    String dst = "/Users/mac/Downloads/people-result.json";
    boolean result = copyMerge(src, dst);
    System.out.println(result);
  }

  private boolean copyMerge(String src, String dst)
      throws IOException {
 
    Configuration conf = new Configuration();
    FileSystem hdfs = FileSystem.get(conf);
    FileSystem local = FileSystem.getLocal(conf);
    final boolean result;

    try {
 
      Path srcPath = new Path(src);
      Path dstPath = new Path(dst);
      boolean deleteSource = false;
      String addString = null;
      result = FileUtil.copyMerge(hdfs, srcPath, local, dstPath, deleteSource, conf,
          addString);
    } finally {
 
      hdfs.close();
    }
    return result;
  }
}

上面的代码很简单，需要说明两点：

1. Configuration 类中保存了大数据集群的配置，所以需要将 core-site.xml 和 hdfs-site.xml 提前存放到 classpath 目录下，等程序启动时 xml 文件中的信息会被自动读取到配置类中。

2. 使用时需要分清楚是从哪里读取到哪里。在上述场景中 src 是目录，dst 是文件。

结果展示

(base) ➜  Downloads cat /Users/mac/Downloads/people-result.json
{
 "description":"desc-1","id":"1","name":"name-1"}
{
 "description":"desc-2","id":"2","name":"name-2"}
{
 "description":"desc-3","id":"3","name":"name-3"}