Hadoop文件的基本操作

Hadoop提供了大量的API对文件系统中的文件进行操作，主要包括：

（1)读取文件

（2)写文件

（3)读取文件属性

（4)列出文件

（5)删除文件

（6）移动文件

（7）取出最旧的文件

1､读取文件

以下示例中，将hdfs中的一个文件读取出来，并输出到标准输出流中。

package org.jediael.hadoopdemo.fsdemo;

import java.io.IOException;
import java.net.URI;

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 org.apache.hadoop.io.IOUtils;

public class FileSystemDoubleCat {

	public static void main(String[] args) throws IOException {

		String fileName = args[0];
		Configuration conf = new Configuration();

		FileSystem fs = FileSystem.get(URI.create(fileName), conf);
		FSDataInputStream in = null;
		try {
			in = fs.open(new Path(fileName));
			IOUtils.copyBytes(in, System.out, 4096, false);
			in.seek(0);
			IOUtils.copyBytes(in, System.out, 4096, false);
		} finally {
			in.close();
		}

	}

}

（1)其中FSDataInputStream实现了Seekable接口，可以对文件进行随机定位，但注意，seek()的代价较高，如无必要，尽量少使用。

2､文件复制

package org.jediael.hadoopdemo.fsdemo;

import java.io.BufferedInputStream;
import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.OutputStream;
import java.net.URI;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;

public class FileCopy {

	public static void main(String[] args) throws IOException {
		String sourceFile = args[0];
		String destFile = args[1];

		InputStream in = null;
		OutputStream out = null;
		try {
			//1､准备输入流
			in = new BufferedInputStream(new FileInputStream(sourceFile));
			//2､准备输出流
			Configuration conf = new Configuration();
			FileSystem fs = FileSystem.get(URI.create(destFile), conf);
			out = fs.create(new Path(destFile));
			//3､复制
			IOUtils.copyBytes(in, out, 4096, false);
		} finally {
			in.close();
			out.close();
		}

	}

}

3、获取文件属性

文件属性以FileStatus对象进行封装，使用FileSystem对象的getFileStatus()方法，可以获取到文件的FileStatus对象。

package org.jediael.hadoopdemo.fsdemo;

import java.io.IOException;
import java.net.URI;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;

public class FileStatusDemo {

	public static void main(String[] args) throws IOException {
		
		String fileName = args[0];
		
		Configuration conf = new Configuration();
		FileSystem fs = FileSystem.get(URI.create(fileName), conf);
		//获取FileSystem对象。
		FileStatus status = fs.getFileStatus(new Path(fileName));
		System.out.println(status.getOwner()+" "+status.getModificationTime());
		
	
	}

}

4、列出某个目录下的文件

使用FileSystem的ListStatus方法，可以获取到某个目录下所有文件的FileStatus对象。

package org.jediael.hadoopdemo.fsdemo;

import java.io.IOException;
import java.net.URI;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.FileUtil;
import org.apache.hadoop.fs.Path;

public class ListStatusDemo {

	public static void main(String[] args) throws IOException {
		
		String dir = args[0];
		
		Configuration conf = new Configuration();
		FileSystem fs = FileSystem.get(URI.create(dir), conf);
		FileStatus[] stats =  fs.listStatus(new Path(dir));
		
		Path[] paths = FileUtil.stat2Paths(stats);
		for(Path path : paths){
			System.out.println(path);
		}
	}

}

6、移动文件

hadoop没有提供专门的移动文件API，而是使用rename达到相同效果

public class CopyToLocal {
    
    public static void main(String[] args) throws IOException{
        String srcFile = "/trident/ljh/trident-4-3-1436154760161.txt";
        Path srcPath = new Path(srcFile);
        String srcDir = srcPath.getParent().toString();
        String srcName = srcPath.getName();

        String destFile = srcDir.toString() + "/done/"+srcName;

        
        FileSystem fs = FileSystem.get(new Configuration());
        fs.rename(srcPath, new Path(destFile));

    }

}

注意如果移动新目录中，必须先创建目录，rename不能自动创建目录。

7、

以下代码返回最旧的文件，一般用于文件处理时先处理最旧的一个。

private static Path getOldestFile() {
        Configuration conf = new Configuration();
        Path srcPath = null;
        FileStatus[] stats = null;
        
        //列出所有文件
        try {
            //if (hdfsFs == null) {
                hdfsFs = FileSystem.get(new URI(dir), conf);
            //}
            stats = hdfsFs.listStatus(new Path(dir));
        } catch (Exception e) {
            e.printStackTrace();
        }
        
        // 1、当目录内只有"done"目录时，sleep60秒后再检查
        while (stats.length == 1) {
            try {
                Thread.sleep(60000);
                stats = hdfsFs.listStatus(new Path(“<span style="font-family: Arial, Helvetica, sans-serif;">hdfs://192.168.169.91:9000/trident/ljh</span><span style="font-family: Arial, Helvetica, sans-serif;">”));</span>
            } catch (InterruptedException e) {
                e.printStackTrace();
            } catch (IOException e) {
                e.printStackTrace();
            }
        }
        
        //2、取得修改时间最早的那个文件的index。
        long minModiticationTime = Long.MAX_VALUE;
        int minModificationTimeIndex = 0;
        for(int i = 0; i < stats.length; i++){
            if(stats[i].getModificationTime() < minModiticationTime && !stats[i].isDirectory()){
                minModiticationTime = stats[i].getModificationTime();
                minModificationTimeIndex = i;
            }
        }
        //srcStatus = hdfsFs.getFileStatus(srcPath);
        srcPath = stats[minModificationTimeIndex].getPath();
        System.out.println(srcPath.getParent()+srcPath.getName());
        
        //3、若文件的最新修改时间与当前时间相减少于此文件生成的周期，则说明文件有可能还在写入之中，暂时不作处理。单位为ms。
        while(new Date().getTime() - minModiticationTime < FILE_GEN_PERIOD){
            
            try {
                Thread.sleep(60000);
                minModiticationTime = hdfsFs.getFileStatus(srcPath).getModificationTime();
            } catch (Exception e) {
                e.printStackTrace();
            }
        }
        
        System.out.println(srcPath.getName());
        return srcPath;

    }