有时不能在应用中设置URLStreamHandlerFactory。这时,我们需要用FileSystem API来打开一个文件的输入流。
文件在Hadoop文件系统中显示为一个Hadoop Path对象(不是一个java.io.File对象,因为它的语义与本地文件系统关联太紧密)。我们可以把一个路径视为一个Hadoop文件系统URI,如hdfs://localhost/user/tom/quangle.txt。
FileSystem是一个普通的文件系统API,所以首要任务是检索我们要用的文件系统实例,这里是HDFS。取得FileSystem实例有两种静态工厂方法:
1.public static FileSystemget(Configuration conf)
throws IOException
2.ublic static FileSystem get(URIuri,
Configuration conf) throws IOException
Configuration对象封装了一个客户端或服务器的配置,这是用从类路径读取而来的配置文件(如conf/core-site.xml)来设置的。第一个方法返回的是默认文件系统(在conf/core-site.xml中设置的,如果没有设置过,则是默认的本地文件系统)。第二个方法使用指定的URI方案及决定所用文件系统的权限,如果指定URI中没有指定方案,则退回默认的文件系统。
有了FileSystem实例后,我们调用open()来得到一个文件的输入流:
1.public FSDataInputStreamopen(Path f) throws IOException
2.ublic abstractFSDataInputStream open(Path f,
int bufferSize) throws IOException
第一个方法使用默认4 KB的缓冲大小。
将它们合在一起,我们可以在例3-2中重写例3-1。
例3-2:直接使用FileSystem以标准输出格式显示Hadoop文件系统的文件
1.public class FileSystemCat {
2.public static voidmain(String[] args) throws Exception {
3.String uri = args[0];
4.Configuration conf = new Configuration();
5.FileSystem fs = FileSystem.get(URI.create(uri), conf);
6.InputStream in = null;
7.try {
8.in = fs.open(new Path(uri));
9.IOUtils.copyBytes(in, System.out,4096, false);
10. } finally {
11. IOUtils.closeStream(in);
12. }
13. }
14.}
程序运行结果如下:
1.% hadoop FileSystemCathdfs://localhost/user/tom/quangle.txt
2.On the top of the CrumpettyTree
3.The Quangle Wangle sat,
4.But his face you could not see,
5.On account of his Beaver Hat.
6.FSDataInputStream
FileSystem中的open()方法实际上返回的是一个FSDataInputStream,而不是标准的java.io类。这个类是java.io.DataInputStream的一个子类,支持随机访问,这样就可以从流的任意位置读取数据了。
1.package org.apache.hadoop.fs;
2.
3.public class FSDataInputStreamextends DataInputStream
4.implements Seekable,PositionedReadable {
5.// implementation elided
6.}
Seekable接口允许在文件中定位,并提供一个查询方法,用于查询当前位置相对于文件开始处的偏移量(getPos()):
1.public interface Seekable {
2.void seek(long pos) throwsIOException;
3.long getPos() throwsIOException;
4.boolean seekToNewSource(longtargetPos) throws IOException;
5.}
调用seek()来定位大于文件长度的位置会导致IOException异常。与java.io.InputStream中的skip()不同,seek()并没有指出数据流当前位置之后的一点,它可以移到文件中任意一个绝对位置。
应用程序开发人员并不常用seekToNewSource()方法。此方法一般倾向于切换到数据的另一个副本并在新的副本中寻找targetPos指定的位置。HDFS内部就采用这样的方法在数据节点故障时为客户端提供可靠的数据输入流。
例3-3是例3-2的简单扩展,它将一个文件两次写入标准输出:在写一次后,定位到文件的开头再次读入数据流。
例3-3:通过使用seek两次以标准输出格式显示Hadoop文件系统的文件
1.public classFileSystemDoubleCat {
2.
3.public static voidmain(String[] args) throws Exception {
4.String uri = args[0];
5.Configuration conf = new Configuration();
6.FileSystem fs = FileSystem.get(URI.create(uri), conf);
7.FSDataInputStream in = null;
8.try {
9.in = fs.open(new Path(uri));
10. IOUtils.copyBytes(in, System.out, 4096, false);
11. in.seek(0); // go back to the start of the file
12. IOUtils.copyBytes(in, System.out, 4096, false);
13. } finally {
14. IOUtils.closeStream(in);
15. }
16. }
17.}
在一个小文件上运行得到以下结果:
1.% hadoop FileSystemDoubleCathdfs://localhost/user/tom/quangle.txt
2.On the top of the CrumpettyTree
3.The Quangle Wangle sat,
4.But his face you could not see,
5.On account of his Beaver Hat.
6.On the top of the CrumpettyTree
7.The Quangle Wangle sat,
8.But his face you could not see,
9.On account of his Beaver Hat.
FSDataInputStream也实现了PositionedReadable接口,从一个指定位置读取一部分数据:
1.public interfacePositionedReadable {
2.
3.public int read(long position,byte[] buffer,
int offset, int length)
4.throws IOException;
5.
6.public void readFully(longposition, byte[]
buffer, int offset, int length)
7.throws IOException;
8.
9.public void readFully(longposition, byte[]
buffer) throws IOException;
10.}
read()方法从指定position读取指定长度的字节放入缓冲buffer的指定偏离量offset。返回值是实际读到的字节数:调用者需要检查这个值,它有可能小于指定的长度。readFully()方法会读出指定字节由length指定的数据到buffer中或在只接受buffer字节数组的版本中,再读取buffer.length字节(这儿指的是第三个函数),若已经到文件末,将会抛出EOFException。
所有这些方法会保留文件当前位置并且是线程安全的,因此它们提供了在读取文件(可能是元数据)的主要部分时访问其他部分的便利方法。其实,这只是使用Seekable接口的实现,格式如下:
1.long oldPos = getPos();
2.try {
3.seek(position);
4.// read data
5.} finally {
6.seek(oldPos);
7.}
最后务必牢记,seek()是一个相对高开销的操作,需要慎重使用。我们需要依靠流数据构建应用访问模式(如使用MapReduce),而不要大量执行seek操作。