基于HDFS的电商数据存储

第1关：利用shell把电商数据上传到HDFS​​​​​​

---

任务描述

原始电商数据都是存储在关系型数据库或 NoSQL 数据库上的，是面向OLTP(联机事务处理过程)的；数据都是面向业务的，而不是面向分析。因此数据比较复杂，表很多关联的数据是分散的，不利于统计分析；因此需要把数据从多个表里导出来、联合起来，找出分析所需要的数据项，然后把这些数据存入到 HDFS 中。

另一方面，因为数据量很大，可能上百 GB 甚至 TB，这些数据超过了单台服务器的内存容量甚至硬盘容量，而且如果都存到一台服务器上，那么读写起来花费时间也是很长的，如果把数据分摊到多个服务器上，那么原本的读写时间就能减倍，HDFS 就能做到这一点。

HDFS 是 Hadoop 中的分布式文件系统，可以高效的利用多台（数百、数千都可以）服务器的存储能力，因此把电商数据存储到 HDFS 中，可以借助强大的 Hadoop 来管理、分析海量的电商数据，以挖掘最大的潜在商业价值。

本关任务：使用 HDFS shell 命令把电商数据从本地上传到 HDFS 中。

相关知识

为了完成本关任务，你需要掌握：HDFS shell常见命令：

HDFS shell常见命令

如果你熟悉 linux 命令，你会发现 HDFS shell 命令类似 linux 的shell命令，在终端直接输入命令行来管理HDFS中的文件、文件夹。常用的HDFS命令如下：

hdfs dfs -ls / 查看目录/下的文件和文件夹；
hdfs dfs -mkdir /images 创建新文件夹/images； 
hdfs dfs -rmdir /images 删除文件夹/images； 
hdfs dfs -rm /citys.csv 删除文件citys.csv； 
hdfs dfs -put data02.csv /dataset 上传本地文件data02.csv到HDFS的文件夹/dataset内； 
hdfs dfs -copyFromLocal data02.csv /dataset 上传本地文件data02.csv到HDFS的文件夹/dataset内； hdfs dfs -get /dataset/data02.csv data02_v2.csv 拷贝HDFS的/dataset/data02.csv到本地文件data02_v2.csv； 
hdfs dfs -copyToLocal /dataset/data02.csv data02_v2.csv 拷贝HDFS的/dataset/data02.csv到本地文件data02_v2.csv； 
hdfs dfs -cp /user/userinfo.txt /data/userinfo.txt 拷贝HDFS的数据文件/user/userinfo.txt到/data/userinfo.txt； 
hdfs dfs -mv /user/userinfo.txt /data/userinfo.txt 移动HDFS的数据文件/user/userinfo.txt到/data/userinfo.txt； 
hdfs dfs -text /itemsinfo.csv 以文本格式输出/itemsinfo.csv文件； 
hdfs dfs -tail /itemsinfo.csv 以文本格式输出/itemsinfo.csv文件，但是只显示末尾1KB大小的数据。

编程要求

本关不需要编写 Java 代码，直接在命令行完成关卡。根据任务提示，启动 hadoop, 把数据文件上传到 HDFS 中。

1. 使用start-all.sh或start-dfs.sh启动 hadoop 或 hdfs；
2. 把/data/workspace/···/dataset/user_behavior.csv文件拷贝到/root目录内（...里面的都是单文件夹，可以用tab建自动补全）；
3. 在HDFS中创建一个新文件夹 /dataset；
4. 把user_behavior.csv文件上传到刚创建的文件夹中；
5. 打印文件内容，以检测文件是否上传成功。（文件比较大，可使用 hdfs dfs -cat /yourpath | tail -10 只显示末尾10行数据，减少输出量）

代码实现

在命令行输入（一步一回车）：

start-all.sh    //启动hadoop

cp /data/workspace/myshixun/dataset/user_behavior.csv /root/

hdfs dfs -mkdir /dataset

hdfs dfs -put user_behavior.csv /dataset

当然代码文件不能为空（可以随便敲点东西）

（ps:建议立马开始第二关，因为需要在第一关的基础上。）

第2关：利用Java API把电商数据上传到HDFS

任务描述

目的与第一关一致，部分任务描述可参考第一关。有时候，我们并不想直接用 HDFS 命令来上传输入，比如当上传的文件很多、文件名很长的时候，一次又一次的打 HDFS 命令很慢也可能会出错，这时候可以使用 Java API 的方式，HDFS Java API 是 HDFS 提供的可供 Java 程序调用的接口，类似 JDBC。本关卡将通过 Java 编程的方式来向 HDFS 上传数据文件。

本关任务：使用 HDFS Java API 命令把电商数据user_behavior.csv从本地上传到 HDFS 中。

相关知识

为了完成本关任务，你需要掌握：常用 HDFS Java接口的使用。

常用 HDFS Java接口的使用

1. 获得 HDFS 的 FileSystem 实例，该实例是操作 HDFS 的主要入口；

   Configuration configuration = new Configuration();
   fileSystem fs = FileSystem.get(configuration);

2. FileSystem对象的常用方法

• 用法举例，使用FileSystem对象的mkdir(Path filePath)方法创建一个新 HDFS 文件目录代码如下：

  // 创建新目录 "/newPath"
  Path newPath = new Path("/newPath");
  fs.mkdir(newPath);

• 其他方法用法相似，常用方法介绍:

  void mkdir(Path filePath) 创建一个新目录；
  boolean exists(Path filePath) 判断文件是否存在；
  FSDataInputStream open(Path filePath) 读取文件；
  boolean rename(Path oldPath, Path newPath) 重命名文件；
  boolean delete(Path filePath, boolean isRecursion) 删除一个目录或文件，第二个参数如果为 true 则递归删除一个目录所有内容；
  void copyFromLocalFile(Path src, Path dst) 把本地路径的文件拷贝到HDFS指定路径中；
  void copyToLocalFile(Path src, Path dst) 把 HDFS 上的文件拷贝到 本地路径中。

编程要求

根据提示，在右侧编辑器补充代码，把本地数据文件上传到 HDFS 中。

1. 所使用的本地数据文件路径为/root/user_behavior.csv；
2. 上传至 HDFS 的目录路径为 /dataset。

代码实现

在代码文件中输入：

package educoder;

import java.io.IOException;
import java.net.URISyntaxException;

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

public class PutFile {

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

        /********** Begin **********/
        // 使用本机默认hadoop配置
        Configuration config = new Configuration();
        // 获得默认HDFS文件系统
        FileSystem fs = FileSystem.get(config);
        // 数据文件linux路径
        String src = "/root/user_behavior.csv";
        // 要上传的HDFS路径
        Path newPath = new Path("/dataset");
        // 在hdfs创建新路径
        fs.mkdirs(newPath);
        // 使用copyFromLocalFile方法，把本地文件传入到hdfs路径中
        fs.copyFromLocalFile(new Path(src),newPath);
        /********** End **********/
    }

}

命令行需要启动Hadoop。

（ps：如果只需要快速通过，可以什么都不输入，但是得在第一关正确通过的前提下！）